近鄰傳播算法的改進(jìn)方案及其在霧霾預(yù)測(cè)中的應(yīng)用.pdf

1、隨著信息技術(shù)和數(shù)據(jù)庫技術(shù)的迅猛發(fā)展，數(shù)據(jù)呈爆炸式增長(zhǎng)，數(shù)據(jù)挖掘作為一種新興的大數(shù)據(jù)分析技術(shù)，受到了眾多領(lǐng)域的廣泛關(guān)注。聚類分析是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要分支，通過無監(jiān)督學(xué)習(xí)的方式，聚類分析能夠從海量數(shù)據(jù)中挖掘出潛在的價(jià)值信息，為科學(xué)決策提供有效的依據(jù)。
　　近鄰傳播聚類算法(Affinity Propogation，AP)作為目前較為流行的聚類算法之一，已經(jīng)被廣泛的應(yīng)用于眾多領(lǐng)域。但是AP算法也存在一些不足，本文針對(duì)AP算法在具有粘

2、連樣本的復(fù)雜數(shù)據(jù)集上難以構(gòu)造有效的相似度矩陣的問題，提出一種基于加權(quán)系數(shù)和鄰域密度因子的近鄰傳播算法。該算法利用加權(quán)系數(shù)改進(jìn)領(lǐng)域密度的計(jì)算，并將“鄰域密度因子“的思想引入近鄰傳播，將數(shù)據(jù)集中樣本點(diǎn)劃分為核心樣本點(diǎn)與非核心樣本點(diǎn)，并根據(jù)樣本點(diǎn)的類型采用不同的方式構(gòu)造連通圖，依此計(jì)算得到更加能體現(xiàn)數(shù)據(jù)真實(shí)分布關(guān)系的相似度矩陣并進(jìn)行聚類。在人工數(shù)據(jù)集與UCI標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明該算法在一定程度上提高了聚類精度，從而驗(yàn)證了該算法的有效

3、性與可行性。
　　此外，將改進(jìn)后的近鄰傳播算法結(jié)合領(lǐng)域密度作為欠取樣的一種方式，提出一種基于改進(jìn)近鄰傳播聚類和領(lǐng)域密度的欠取樣SVM算法，旨在解決傳統(tǒng)SVM算法在類別不均衡數(shù)據(jù)集上分類效果差的問題，并通過對(duì)比實(shí)驗(yàn)驗(yàn)證了算法的有效性。最后針對(duì)霧霾數(shù)據(jù)不均衡的特點(diǎn)，將基于改進(jìn)近鄰傳播算法和領(lǐng)域密度的欠取樣SVM算法應(yīng)用于霧霾預(yù)測(cè)，構(gòu)建一個(gè)基于此算法的霧霾預(yù)測(cè)模型，選取北京地區(qū)的空氣質(zhì)量數(shù)據(jù)作為樣本，通過與其他霧霾預(yù)測(cè)算法模型進(jìn)行對(duì)比，