基于高維空間的聚類技術(shù)研究

《基于高維空間的聚類技術(shù)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、中北大學(xué)碩士學(xué)位論文基于高維空間的聚類技術(shù)研究姓名：和亞麗申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師：陳立潮20050301中北大學(xué)學(xué)位論文摘要隨著計(jì)算機(jī)應(yīng)用的普及，信息系統(tǒng)產(chǎn)生的數(shù)據(jù)量日益增大，迫切需要高效的數(shù)據(jù)挖掘工具，從大量原始數(shù)據(jù)中尋找有價(jià)值的知識(shí)模式。聚類分析是數(shù)據(jù)挖掘的重要工具之一。如何正確處理維度達(dá)到數(shù)百、數(shù)千的數(shù)據(jù)集合，如何從高維數(shù)掘集中尋找潛在的、自然存在的聚類簇，這是當(dāng)前聚類分析研究的熱點(diǎn)。本文針對(duì)聚類分析的熱點(diǎn)和難點(diǎn)問(wèn)題?．高維聚類展開(kāi)研究，目的是尋求有效的高維聚類算法，以及有效的高維數(shù)據(jù)離群點(diǎn)發(fā)現(xiàn)

2、和聚類結(jié)果表達(dá)等技術(shù)。本文研究了高維聚類分析的關(guān)鍵技術(shù)，主要工作有：l、針對(duì)高維數(shù)據(jù)空間下聚類簇的分布特點(diǎn)，改進(jìn)了一種基于子空間的映射聚類算法。本文應(yīng)用柏努利分布表示二元數(shù)據(jù)的分布特征，把基于有限混合柏努利分布模型與EM(Expectation—Maximization)算法相結(jié)合的高維二元數(shù)據(jù)映射聚類方法，一方面發(fā)現(xiàn)各種子空間下的聚類簇，一方面為每個(gè)簇指定相應(yīng)的屬性子集，實(shí)現(xiàn)了不同子空間下聚類簇的挖掘。2、從映射聚類算法出發(fā)，設(shè)計(jì)了一種高維空間離群點(diǎn)發(fā)現(xiàn)的算法。首先，運(yùn)用一種映射聚類的算法尋找數(shù)據(jù)點(diǎn)相對(duì)密集的子空間。為了盡

3、快找到這些數(shù)據(jù)簇及其相應(yīng)的子空間，可以對(duì)數(shù)據(jù)進(jìn)行二元處理，即把全部數(shù)據(jù)集轉(zhuǎn)化為二元數(shù)掘，然后運(yùn)用二元數(shù)據(jù)映射聚類方法找到映射簇及相關(guān)聯(lián)的屬性集合；第二，根據(jù)屬性熵的定義，對(duì)每個(gè)屬性集合的每～屬性判別其離散程度；第三，在離散程度較大的屬性集合中確定離群點(diǎn)：第四，進(jìn)行簇間屬性集合的交叉分析，發(fā)現(xiàn)跨予窄J剮的離群點(diǎn)。3、仔細(xì)研究基于粗集理論的高維聚類結(jié)果表達(dá)方法。認(rèn)為聚類簇必須以有效的方式加以表達(dá)，相對(duì)完整地傳達(dá)聚類運(yùn)算的結(jié)果，以利于人工交互，完成知識(shí)發(fā)現(xiàn)的后續(xù)操作。因此，聚類結(jié)果的可表達(dá)性、可解釋性是聚類算法必須考慮的關(guān)鍵技術(shù)。

4、本文運(yùn)用粗集(roughset)理論，引入屬性空間上的粗糙集理論，考慮數(shù)據(jù)在對(duì)象空間和屬性空間的不同特性，使聚類結(jié)果特征從對(duì)象空間和屬性空間兩個(gè)角度得到了綜合反映，并以規(guī)則的形式表示聚類知識(shí)，既可全面表示數(shù)據(jù)聚類結(jié)構(gòu)，也可實(shí)現(xiàn)聚類增量計(jì)算。關(guān)鍵詞：數(shù)據(jù)挖掘高維聚類映射聚類離群點(diǎn)檢測(cè)聚類結(jié)果表示粗集理論中北大學(xué)學(xué)位論文TheResearches013RelatedtoKeyTechnologiesamongClusteringbasedonHigh—dimensionalDataSpaceABSTRACTHe、，aliChen

5、LichaoWiththewideusageofinformationtechnology,datageneratedfromvariesinformationsystemsbecomemoreandmore，andthehigherefficiencydataminingtoolswasneededtofindvaluableknowledgepatterns．Clusteringanalysisisaimportantmethodindatamining．Itisadiscoveryprocessthatgroupsas

6、etofdatasuchthattheintra．clustersimilarityismaximizedandtheinter-clustersimiIarityisminimized．Clusteringofdatainalargedimensionspaceisofagreatinterestinmanydataminingapplications．Withhi．滲·dimensionalitydatasets，howtofindthelatentandnatureclustersiSmoredimcultandnee

7、dtoberesolved．TheresearchesOItrelatedtokeytechnologiesamongclusteringbasedonhigh—dimensionaldataspacearemadeinthedissertation．ItiSfocusedonthehi曲efficiencyclusteringalgorithms，outlinerdetectingalgorithms，clusteringresultpresentationmethods，andSO0nItisthebasicworktO

8、definethesimilarityforhigh．dimensionaldataobjects．Basedontheimprm，edsimilarit}rdefinitionmethod，thekeytectmologieshavebeenstudiedinthisdissertati