基于密度網(wǎng)格結構的數(shù)據(jù)流在線聚類算法研究

《基于密度網(wǎng)格結構的數(shù)據(jù)流在線聚類算法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、『I國內圖書分類號：TPl8題】g2‘2工5單位代碼：10005學號：$200707057密級：公開北京工業(yè)大學碩士學位論文英文并列R曼SEAR￡旦QⅨ墅塾盥S蘭!Y__魚R亙墜』塑遇旦墜』叢哩蘭蘭迦題目￡L立S!ER亙盥堡△LgQR蘭!旦叢S專論文報告提交剛胡2Q!Q生堇且學位授予日期授予單位名稱和地址j匕寶工些厶堂j匕壺立塑田區(qū)堊丕國!QQ曼鰹緬!鯉12壘習獨創(chuàng)性聲明IYIIIIIltllllllll7111111811111171111117111111511111111411Y1787751本人聲明所呈交的論

2、文是我個人在導師指導下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得北京工業(yè)大學或其它教育機構的學位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均己在論文中作了明確的說明并表示了謝意?！ず灻菏嬐冢?口細·c；-10關于論文使用授權的說明本人完全了解北京工業(yè)大學有關保留、使用學位論文的規(guī)定，即：學校有權保留送交論文的復印件，允許論文被查閱和借閱；學?？梢怨颊撐牡娜炕虿糠謨热?，可以采用影印、縮印或其他復

3、制手段保存論文。(保密的論文在解密后應遵守此規(guī)定)簽名：導師簽名：●摘要隨著計算機和互聯(lián)網(wǎng)絡技術的不斷發(fā)展，各個應用領域都在源源不斷地產(chǎn)生數(shù)據(jù)，而這些數(shù)據(jù)通常以流的形式出現(xiàn)，例如傳感器網(wǎng)絡產(chǎn)生的數(shù)據(jù)流、股票交易流、超市結算流、網(wǎng)絡通信流等。數(shù)據(jù)挖掘融合了統(tǒng)計學、數(shù)據(jù)庫、機器學習等技術，幫助人們從海量數(shù)據(jù)中抽取出有用的知識，從而為決策提供重要依據(jù)。數(shù)據(jù)流具有高速流動、快速變化和潛在無限等特點，因此要求數(shù)據(jù)流挖掘算法必須滿足單次線性掃描、壓縮存儲、低的時間復雜度等要求?，F(xiàn)有的數(shù)據(jù)流聚類算法，大多數(shù)停留在在線收集和離線分析

4、階段，典型的算法如CluStream。這類算法的缺點是實時性差，不能在線生成用戶需要的聚類，精確的聚類結果需要經(jīng)過離線分析才能獲得。針對這些問題，本文對數(shù)據(jù)流的在線聚類算法進行了研究，主要研究內容包括以下幾方面：(1)使用密度網(wǎng)格的存儲結構，將數(shù)據(jù)流的概要信息以統(tǒng)計值的形式存儲在網(wǎng)格單元中。通過設置密度網(wǎng)格閾值Cm艤和Cm證，能有效地控制聚類質量。密度網(wǎng)格結構容易更新和維護，從而提高在線聚類效率，并節(jié)省存儲空間。(2)本文采用計數(shù)型滑動窗口來保存當前數(shù)據(jù)流。通過調整窗口滑動一次的步數(shù)step，可以有效地節(jié)省系統(tǒng)資源。

5、(3)定義了網(wǎng)格鄰居和網(wǎng)格簇等概念，設計優(yōu)化的網(wǎng)格合并和更新規(guī)則，使算法能夠區(qū)分數(shù)據(jù)密集區(qū)域和稀疏區(qū)域，并較快地找到數(shù)據(jù)分布中存在的簇，提高算法的實時性。(4)在論文研究過程中，通過大量的實驗分析和對比，不斷調整和優(yōu)化算法，取得了較好的聚類質量和在線聚類效率。實驗結果表明本算法具有快速在線聚類能力，同時保證了良好的聚類質量。關鍵詞數(shù)據(jù)挖掘；數(shù)據(jù)流；在線聚類北京-E．qk大學工學碩一卜學位論文UAbstractWiththedevelopmentofcomputerscienceandInternettechnolog

6、y,alargenumberofdataisgeneratedinvariousapplications，whichisusuallyintheformofstreams，suchasdatastreamsgeneratedbysensornetworks，stockflow,supermarketsettlementflow,Intemetcommunication，etc．Datamining，whichcombinestatistics，databaseandmachinelearning，callhelppe

7、opleextractusefulknowledgefromhugeamountsofdataandprovideimportantbasisfordecision-making．Datastreamhasthefollowingcharacteristics：highspeed，rapidlychanging，potentiallyunlimitedandSOon．Therefore，dataminingalgorithmsmustsatisfyrequirementssuchassinglelinearscan，

8、compressionandstorage，lowcomplexity,etc．MostexistingstreamclusteringalgorithmsuchasCluStream，remainintheonlinecollectionandofflineanalysisphase．Thedisadvantageoftwo—phasealg