基于聚類(lèi)的空間數(shù)據(jù)挖掘方法與應(yīng)用研究.pdf

1、隨著空間數(shù)據(jù)獲取技術(shù)的快速發(fā)展，空間數(shù)據(jù)量急劇增加，空間數(shù)據(jù)庫(kù)中很多內(nèi)涵的知識(shí)和規(guī)律需要挖掘。聚類(lèi)分析是知識(shí)發(fā)現(xiàn)的一個(gè)重要方法，要求聚類(lèi)算法效率高、需要的參數(shù)能自動(dòng)確定或用戶(hù)易確定。為此，本文主要圍繞如下3個(gè)方面展開(kāi)研究。 1.分層聚類(lèi)方法與應(yīng)用通過(guò)多次嘗試、比較，對(duì)五種距離的分層聚類(lèi)算法進(jìn)行了性能總結(jié)；提出按照離差分析方法的思想，進(jìn)一步驗(yàn)證聚類(lèi)結(jié)果的正確性，大大提高了算法結(jié)果的有用性；改進(jìn)的分層聚類(lèi)方法對(duì)數(shù)據(jù)提前進(jìn)行了預(yù)聚類(lèi)，

2、運(yùn)算速度大大提高，能同時(shí)對(duì)離散和連續(xù)變量進(jìn)行聚類(lèi)，能自動(dòng)選取聚類(lèi)的數(shù)量，對(duì)海量的數(shù)據(jù)進(jìn)行分析處理。 2.k-means聚類(lèi)方法與應(yīng)用提出了利用最優(yōu)化尺度變換方法，對(duì)分類(lèi)數(shù)據(jù)變量進(jìn)行離散化處理，所有的變量統(tǒng)一處理；提出了利用多次隨機(jī)取樣的算法，并在樣本上利用分層聚類(lèi)方法判別最佳聚類(lèi)的類(lèi)別數(shù)量，并充分考慮數(shù)據(jù)的內(nèi)涵及其分布特點(diǎn)，使選取的初始聚類(lèi)中心更有代表性；在此基礎(chǔ)上，提出了改進(jìn)的k-means算法。由算法分析和實(shí)驗(yàn)結(jié)果可知，對(duì)k

3、-means算法的改進(jìn)在理論上是合理的，在實(shí)踐上是可行的，在一定程度上提高了聚類(lèi)結(jié)果的穩(wěn)定性，減小聚類(lèi)結(jié)果對(duì)初值的依賴(lài)。 3.基于聚類(lèi)的空間數(shù)據(jù)挖掘系統(tǒng)設(shè)計(jì)提出了一個(gè)基于聚類(lèi)的空間數(shù)據(jù)挖掘系統(tǒng)的框架，從系統(tǒng)設(shè)計(jì)目標(biāo)、系統(tǒng)設(shè)計(jì)和系統(tǒng)實(shí)現(xiàn)3個(gè)部分展開(kāi)研究，采用模塊化設(shè)計(jì)的思想，將系統(tǒng)設(shè)計(jì)劃分為數(shù)據(jù)訪(fǎng)問(wèn)、聚類(lèi)、用戶(hù)交互和知識(shí)庫(kù)管理4個(gè)模塊；通過(guò)系統(tǒng)的實(shí)現(xiàn)，把本文研究的聚類(lèi)方法集成在一起，為基于聚類(lèi)的空間數(shù)據(jù)挖掘方法與應(yīng)用提供技術(shù)支撐。