混合屬性數(shù)據(jù)流的聚類算法研究及其應(yīng)用.pdf

1、隨著通信技術(shù)和硬件設(shè)備的不斷發(fā)展，數(shù)據(jù)流挖掘技術(shù)在視頻監(jiān)控、圖像理解、人臉識(shí)別和實(shí)時(shí)監(jiān)控系統(tǒng)等方面有著巨大應(yīng)用前景，針對(duì)數(shù)據(jù)流快速連續(xù)到達(dá)和持續(xù)增長(zhǎng)的特點(diǎn)，傳統(tǒng)聚類算法無法適用于數(shù)據(jù)流對(duì)象，數(shù)據(jù)流對(duì)聚類算法提出了諸多新的要求，成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)之一。
　　本文針對(duì)現(xiàn)有的數(shù)據(jù)流聚類算法存在的幾個(gè)問題：混合屬性數(shù)據(jù)流的普適相似度度量方法、聚類中心確定困難、聚類算法參數(shù)設(shè)定困難以及數(shù)據(jù)流在線演化分析等，設(shè)計(jì)了一種面向混合數(shù)據(jù)流的

2、聚類方法，基于普適性的混合數(shù)據(jù)距離度量方法設(shè)計(jì)數(shù)據(jù)流的快速有效聚類，實(shí)現(xiàn)聚類中心自動(dòng)確定、參數(shù)自適應(yīng)、數(shù)據(jù)流在線演化分析和離群點(diǎn)處理，并將其應(yīng)用于人臉識(shí)別提出了一種無監(jiān)督的人臉識(shí)別方法。具體研究?jī)?nèi)容包括以下五個(gè)部分：
　?。?）針對(duì)混合屬性數(shù)據(jù)流，研究提出一種具有普適性的混合屬性數(shù)據(jù)距離度量方法。分析混合屬性數(shù)據(jù)特征，將混合屬性數(shù)據(jù)分為數(shù)值占優(yōu)、分類占優(yōu)和均衡型混合屬性數(shù)據(jù)三類，利用數(shù)據(jù)屬性之間的關(guān)聯(lián)關(guān)系，設(shè)計(jì)條件概率描述所蘊(yùn)含的

3、內(nèi)在類屬結(jié)構(gòu)，從而實(shí)現(xiàn)三種不同類型數(shù)據(jù)流的距離度量方式。
　?。?）針對(duì)現(xiàn)有大部分混合屬性聚類算法普遍存在聚類質(zhì)量低、聚類算法參數(shù)依賴性大和聚類中心無法自動(dòng)確定等問題，提出了基于密度的聚類中心自動(dòng)確定的混合屬性數(shù)據(jù)聚類算法（ACC-FSFDP）。計(jì)算數(shù)據(jù)集各個(gè)點(diǎn)之間的距離，獲得密度和距離分布圖，設(shè)計(jì)聚類中心自動(dòng)確定方法（ACC），即通過線性回歸模型和殘差分析確定奇異點(diǎn),理論證明奇異點(diǎn)即為聚類中心，并通過快速劃分的方法實(shí)現(xiàn)聚類。對(duì)于

4、聚類參數(shù)密度半徑dc的選擇，實(shí)現(xiàn)了基于粒子群優(yōu)化算法（PSO）實(shí)現(xiàn)聚類參數(shù)dc自適應(yīng)，實(shí)現(xiàn)不同數(shù)據(jù)集的dc最優(yōu)選擇。
　?。?）針對(duì)現(xiàn)有的混合屬性數(shù)據(jù)流聚類算法聚類精度不高、處理離群點(diǎn)能力差等缺陷，將ACC-FSFDP算法擴(kuò)展到數(shù)據(jù)流聚類算法當(dāng)中，提出了一種聚類中心自動(dòng)確定的混合屬性數(shù)據(jù)流聚類算法。采用在線/離線兩層框架，提出一種新的八元組微簇特征向量來動(dòng)態(tài)維護(hù)不斷到達(dá)的數(shù)據(jù)對(duì)象，并引入了衰減函數(shù)和微簇刪除機(jī)制使得算法能夠更好的符

5、合數(shù)據(jù)流的進(jìn)化特性。
　　（4）針對(duì)數(shù)據(jù)流的在線實(shí)時(shí)變化特性，對(duì)其展開演化分析，提出了一種基于密度網(wǎng)格的加強(qiáng)聚簇邊緣檢測(cè)的混合屬性數(shù)據(jù)流聚類算法。設(shè)計(jì)九元組網(wǎng)格特征向量來動(dòng)態(tài)維護(hù)不斷到達(dá)的數(shù)據(jù)對(duì)象，并引入了衰減函數(shù)和網(wǎng)格刪除機(jī)制使得算法能夠更好地符合數(shù)據(jù)流的進(jìn)化特性，并處理離群對(duì)象。離線部分采用廣度優(yōu)化搜素，將相鄰可達(dá)的網(wǎng)格聚成一類，并強(qiáng)化對(duì)爭(zhēng)議網(wǎng)格的檢測(cè)，將其與關(guān)聯(lián)度最高的直接相鄰密集網(wǎng)格保持一致，能夠快速有效的獲得最終聚類結(jié)果

6、。
　　（5）針對(duì)現(xiàn)有人臉識(shí)別分類算法需要提取足夠已知類標(biāo)信息的人臉圖像作為訓(xùn)練樣本的必備前提，本文將提出的聚類算法應(yīng)用到人臉圖像識(shí)別，實(shí)現(xiàn)了一種基于密度聚類的無監(jiān)督人臉識(shí)別方法。該方法不需要任何先驗(yàn)知識(shí)，即在未知樣本的分類信息情況下，根據(jù)人臉圖像的特征信息進(jìn)行聚類，通過嚴(yán)格過濾聚類結(jié)果保持聚簇的純凈性，以保證后續(xù)訓(xùn)練模型的精確度。利用聚類中心含有表征該聚簇內(nèi)對(duì)象豐富的特征信息的特點(diǎn)，根據(jù)聚類算法得到的聚類結(jié)果，提取聚類中心及少量