基于不確定數據的聚類算法研究.pdf

1、隨著信息技術的快速發(fā)展和廣泛應用，人類社會在各個方面比如醫(yī)療衛(wèi)生、教育、社交網站、商場和購物網站等領域每時每刻都產生大量的數據。但是，由于物理測量的限制、周圍環(huán)境的干擾等因素，使得數據存在缺失、異常等情況，從而使得數據具有不確定性。不確定數據作為其中一種涌現出來的新型數據，近年來在各個研究領域獲得廣泛關注。
　　聚類分析是數據挖掘中的重要技術，廣泛應用在商務智能、信息檢索、隱私保護和文本分析等領域。聚類就是將數據對象分組成為多個簇

2、，使得同一個簇中的數據對象之間具有較高的相似度，不同簇中的數據對象之間具有較高的相異度。以往的聚類算法主要針對確定性數據，不能直接適用于不確定數據，如何有效的處理不確定數據成為一個重要的研究課題。
　　本文的主要研究工作與貢獻如下：
　　1.針對數據挖掘的研究背景和意義、目標與內容、國內外研究現狀做簡要的介紹，并對不確定數據及其相關研究進行闡述；重點介紹數據挖掘中的重要技術—聚類，包括聚類的定義及模型、相似性度量方式、一些具

3、有代表性的聚類算法等；然后闡述相關的不確定數據聚類研究，為本文的主要工作做理論鋪墊。
　　2.傳統(tǒng)的聚類算法一般針對確定性數據，因而無法解決不確定數據的聚類問題?，F有基于密度的不確定數據聚類算法存在對參數過于敏感且計算效率較低的問題。本文在引進新的不確定性數據相異度函數、最優(yōu)k近鄰、局部密度和互包含關系概念的基礎上，提出了解決不確定數據聚類問題的OLUC算法。OULC算法不僅降低了參數敏感性，提高了計算效率，且具有動態(tài)自適應優(yōu)化k

4、近鄰、快速發(fā)現聚類中心和除噪優(yōu)化的能力。實驗結果表明，本算法對無論是否存在噪聲的不確定數據集都具有聚類有效性，并達到良好的聚類效果。
　　3.鑒于現有算法缺乏從時序演化角度解決不確定數據流聚類問題，提出一種基于近鄰傳播的不確定數據流演化聚類算法EAP-UStream?？紤]不確定數據流在線形成微簇時的變化因素對離線聚類的影響，提出不確定微簇變化率的概念。從不確定數據流演化的角度衡量微簇之間的相似程度，提出不確定微簇關聯度的概念，并以