聚類的邊界點(diǎn)檢測(cè)算法研究.pdf

1、從大型數(shù)據(jù)集中發(fā)現(xiàn)有趣的，有用的且預(yù)先未知的知識(shí)的過(guò)程被稱為數(shù)據(jù)挖掘。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，是數(shù)據(jù)庫(kù)研究最活躍的領(lǐng)域之一。通過(guò)數(shù)據(jù)挖掘可以從大型數(shù)據(jù)集中提取可信、新穎、有效并易于理解的知識(shí)、規(guī)律或高層信息。這給人們?cè)谛畔r(shí)代所積累的海量數(shù)據(jù)賦予了新的意義。隨著數(shù)據(jù)挖掘技術(shù)的迅速發(fā)展，作為其重要組成部分，聚類分析和孤立點(diǎn)檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于模式識(shí)別、數(shù)據(jù)分析、圖象處理、市場(chǎng)研究等許多領(lǐng)域。聚類及孤立點(diǎn)檢測(cè)算法研究已經(jīng)成為數(shù)據(jù)挖

2、掘研究領(lǐng)域中非?；钴S的一個(gè)研究課題。聚類的邊界點(diǎn)檢測(cè)有時(shí)比聚類分析和孤立點(diǎn)檢測(cè)更重要，但是聚類的邊界點(diǎn)檢測(cè)卻不及聚類分析和孤立點(diǎn)檢測(cè)受到重視。因此本論文重點(diǎn)對(duì)聚類的邊界點(diǎn)檢測(cè)算法進(jìn)行了研究。 論文首先介紹了數(shù)據(jù)挖掘、聚類分析、孤立點(diǎn)檢測(cè)和聚類的邊界點(diǎn)檢測(cè)等基本理論以及幾種主要的聚類分析算法、孤立點(diǎn)檢測(cè)算法。本文詳細(xì)介紹了一種典型的聚類的邊界點(diǎn)算法BORDER，在實(shí)驗(yàn)的基礎(chǔ)上討論了BORDER算法的優(yōu)缺點(diǎn)。針對(duì)BORDER算法時(shí)間

3、復(fù)雜度高和精度不高的不足，本文提出了三種不同的聚類的邊界點(diǎn)檢測(cè)算法：噪聲數(shù)據(jù)上的聚類邊界點(diǎn)算法BOUND、改進(jìn)的BOUND算法BRIM和基于引力的聚類邊界點(diǎn)檢測(cè)算法GREEN。并利用對(duì)象的反向K-近鄰的性質(zhì)，提出一種新的孤立點(diǎn)檢測(cè)算法。在綜合數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上做了大量的實(shí)驗(yàn)來(lái)驗(yàn)證算法的有效性，并用不同規(guī)模的綜合數(shù)據(jù)集來(lái)驗(yàn)證算法的響應(yīng)時(shí)間。實(shí)驗(yàn)結(jié)果表明：本文提出的三種邊界點(diǎn)檢測(cè)算法的精度和執(zhí)行效率均比BORDER算法高；本文提出的基于反