聚類算法及其應用研究.pdf

1、近年來，隨著數(shù)據(jù)采集和存儲技術的飛速發(fā)展，很多領域都積累了大量的數(shù)據(jù)。為了從數(shù)據(jù)中發(fā)現(xiàn)有價值的知識和規(guī)律，人們結合數(shù)據(jù)庫、統(tǒng)計學及機器學習等技術，提出數(shù)據(jù)挖掘來解決這一難題。聚類分析技術是數(shù)據(jù)挖掘中的經(jīng)典內(nèi)容，是各學科研究的重要工具。 本論文在廣泛閱讀相關文獻、深入了解聚類算法的原理與應用的基礎上，在算法的改進、應用上做了如下工作： (1)針對經(jīng)典的聚類算法普遍存在的形狀依賴、合理的類別參數(shù)選擇及對噪聲敏感等問題，聯(lián)合數(shù)

2、值歸約、基于壓縮數(shù)據(jù)的變種K-means算法和加權投票法，同時結合RMSSTD&RS聚類有效性指標提出了一個自動聚類算法。較好的解決了帶噪聲的任意形狀的大數(shù)據(jù)集的聚類問題，并具有一定的增量處理能力。 (2)傳統(tǒng)的基于密度的算法和經(jīng)典的CLIQUE子空間聚類算法都是從尋找數(shù)據(jù)的密集區(qū)域入手去解決問題。本文從稀疏區(qū)域的角度出發(fā)進行了子空間聚類的嘗試，提出了基于競爭的修剪方式和形式化的“投影尋蹤”搜索策略來得到合適的子空間并生成類。實

3、驗證明在控制計算復雜度的同時提高了算法的精度，在對輸入?yún)?shù)的魯棒性上也取得了較好的效果。 (3)針對具體的目標識別問題。首先對幾個具有一定分類特性的特征進行了簡單的融合；接著在本文提出的子空間聚類算法基礎上，采用基于競爭的修剪方式得到了新的易于區(qū)分的特征；最后用確定的類別參數(shù)代替聚類有效性指標作為投票法的類融合停止準則，建立了分類器的多中心表達模型，并結合兩級糾錯訓練模式設計了合理有效的識別分類器，在分類測試中取得了較好的效果。

4、 本文的貢獻和創(chuàng)新主要體現(xiàn)在上述兩個算法的改進和應用上： (1)完成了自動聚類算法，其創(chuàng)新點體現(xiàn)在：一，結合多種方法較好的解決了傳統(tǒng)聚類算法遇到的問題；二，改進了傳統(tǒng)的k-means算法使之適應在壓縮數(shù)據(jù)上進行聚類操作；三，對投票法進行了加權處理以適應壓縮數(shù)據(jù)。 (2)針對高維數(shù)據(jù)的聚類問題提出了從稀疏區(qū)域著手的基于密度和網(wǎng)格的子空間聚類算法，創(chuàng)新點體現(xiàn)在：一，提出了基于競爭的修剪方式；二，提出了一種形式化的“投