聚類算法的研究與應用.pdf

1、隨著計算機技術和互聯(lián)網的快速發(fā)展，人們生產、收集數據的能力不斷提高，商業(yè)管理、政府部門、科研機構與工程技術等領域的數據量以前所未有的速度海量增長。面對海量數據，如何從這些大規(guī)模數據中找到數據之間的模式，以提取信息、建立知識資源，從而避免“數據豐富而知識匱乏”的局面，已經成為一個迫切需要解決的課題。 基于數據庫的知識發(fā)現(Knowledge Discovery in Database，簡稱KDD)是指從大量數據中提取有效的、新穎的

2、、潛在有用的和最終可被理解的模式的非平凡過程。它是一個反復迭代的人機交互處理過程，該過程需要經歷多個步驟，主要包括數據整理、數據挖掘(Data Mining)和結果的解釋評估。其中數據挖掘是整個KDD過程中最核心的步驟，數據挖掘的目的就是運用特定的數據挖掘算法，從數據庫中提取用戶感興趣的知識，并以一定的方式表示出來，如樹、表、規(guī)則、圖等。 聚類分析是數據挖掘的最主要的功能之一，聚類就是將數據對象分組為多個類或簇，在同一個簇中的對

3、象之間具有較高的相似度，而不同簇中的對象差別較大。聚類分析是一個很活躍的研究領域，是用以發(fā)現數據分布和模式的一類重要技術：聚類算法廣泛應用于模式識別、數據分析、圖像處理、數據挖掘、決策支持和市場營銷等研究領域。本文將重點研究聚類分析中的若干關鍵技術和算法。 在第一章中，首先就數據挖掘進行概述，主要討論數據挖掘的產生、發(fā)展以及數據挖掘算法所實現的各種功能，主要包括：類／概念描述、關聯(lián)規(guī)則、分類與回歸、聚類分析、序列與時序分析以及孤

4、立點分析等。最后給出了本文研究的主要內容和組織結構。 在第二章中，首先介紹了聚類分析的定義，聚類算法的基本要求，以及聚類算法中用到的主要數據類型；然后討論聚類分析的各種算法：基于劃分的方法、基于層次的方法、基于密度的方法、基于網格的方法以及基于模型的方法；最后對聚類算法的應用領域進行了探討。 在第三章中，簡要介紹了半監(jiān)督聚類分析的概念、研究目的，以及現有算法的分類。 在第四章中，首先系統(tǒng)介紹了PAM聚類算法，分析

5、該聚類算法的關鍵技術和主要思想；然后在原有算法基礎上，本文給出了一種改進算法：對屬于K-中心點算法的PAM算法的進行效率改進，提出了一種新的利用三角不等式消除、部分距離搜索等策略的快速PAM聚類算法，在保證聚類準確率的同時提高了聚類效率；拓展了原有算法的聚類能力。實驗結果表明，相對于基本PAM聚類算法，在保持相同聚類效果的情況下，本文提出的快速PAM聚類新算法能夠減少70％～90％的乘法計算量；并可節(jié)省約1/3以上的計算時間。第五章對論