高維數(shù)據(jù)子空間聚類算法研究.pdf

1、信息技術和Internet的日益發(fā)展使得互聯(lián)網(wǎng)上的高維數(shù)據(jù)呈指數(shù)級增長,如各種文檔數(shù)據(jù)、多媒體數(shù)據(jù)、基因表達數(shù)據(jù)等其屬性維度可以達到成百上千維甚至更高,而高維數(shù)據(jù)聚類分析技術是分析處理高維數(shù)據(jù)的一個重要的研究手段。高維數(shù)據(jù)相對于低維數(shù)據(jù)在很多方面有很大的差異性,如常使用的歐式距離等相似性度量在高維空間中失效,數(shù)據(jù)簇類往往只存在于某些低維子空間中等,這些都對高維數(shù)據(jù)聚類分析技術提出了很大的挑戰(zhàn),如何研究出高效的高維聚類技術,并有效的指導應

2、用實踐對推動互聯(lián)網(wǎng)發(fā)展有著巨大意義。
　　本文針對高維數(shù)據(jù)聚類分析技術這一課題展開研究,先對高維數(shù)據(jù)聚類分析的主要方法和現(xiàn)狀進行了概括,然后將本文的研究重點定位在子空間聚類算法上,針對自底向上的子空間聚類算法所存在的不足進行了研究和改進,提出了一種高效的基于核密度估計的子空間聚類算法,并通過大量的實驗驗證該算法的有效性。本文的主要內(nèi)容和貢獻有以下幾點:
　　1.引入了高維數(shù)據(jù)子空間聚類問題,對自底向上的子空間聚類算法進行了深

3、入研究,然后引出了子空間聚類算法中普遍存在的密度分歧問題。
　　2.針對子空間聚類算法中所存在的網(wǎng)格劃分困境和密度分歧問題,提出了一種高效的基于核密度估計的子空間聚類算法,介紹了該算法所需要的相關技術,并定義了算法中所需的術語和概念,詳細描述了算法實現(xiàn)的具體步驟。
　　3.對基于核密度估計的子空間聚類算法在人工數(shù)據(jù)集和真實數(shù)據(jù)集上進行了實驗驗證。實驗結果表明,該算法在自身算法可伸縮性、聚類結果的準確率以及運行效率上都比傳統(tǒng)的