挖掘任意形狀簇的聚類算法研究.pdf

1、數(shù)據(jù)挖掘是一個(gè)能從大規(guī)模數(shù)據(jù)中發(fā)現(xiàn)知識(shí)的強(qiáng)大技術(shù)。聚類分析作為數(shù)據(jù)挖掘中的一個(gè)基礎(chǔ)工具，已經(jīng)被廣泛應(yīng)用于模式識(shí)別、圖像處理、空間數(shù)據(jù)分析、文本分類和信息檢索、市場(chǎng)分析等眾多領(lǐng)域。隨著計(jì)算機(jī)的普及和互聯(lián)網(wǎng)的不斷發(fā)展，數(shù)據(jù)量越來越大，數(shù)據(jù)的空間分布中大多包含多種不規(guī)則形狀的簇，比如地理信息數(shù)據(jù)、醫(yī)學(xué)圖像數(shù)據(jù)、農(nóng)業(yè)科學(xué)數(shù)據(jù)等，這對(duì)聚類分析提出了挑戰(zhàn)。傳統(tǒng)的聚類算法通常不能很好地挖掘任意形狀的簇，近年來，挖掘任意形狀簇的研究成為聚類分析領(lǐng)域的一

2、個(gè)研究熱點(diǎn)。為了更有效地對(duì)包含有任意形狀簇的數(shù)據(jù)進(jìn)行聚類，本文對(duì)現(xiàn)有的聚類算法進(jìn)行分析和研究，提出了兩個(gè)能挖掘任意形狀簇的聚類算法CMSPC、CFDPm。
　　本文提出的CMSPC算法是為了提高在包含任意形狀簇的數(shù)據(jù)集上的聚類質(zhì)量。CMSPC算法基于點(diǎn)與簇內(nèi)多點(diǎn)的相似性，對(duì)于距離在截?cái)嗑嚯x之內(nèi)的兩個(gè)對(duì)象，考慮其中一個(gè)對(duì)象關(guān)于另外一個(gè)對(duì)象所在簇的歸屬度，對(duì)滿足一定歸屬度的臨時(shí)簇進(jìn)行合并。CMSPC算法基于點(diǎn)與簇內(nèi)多點(diǎn)相似的特點(diǎn)使得聚

3、類結(jié)果與簇形狀無關(guān)，同時(shí)能夠提取出異常點(diǎn)。本文提出的另外一個(gè)聚類算法CFDPm是新型聚類算法CFDP算法的一種改進(jìn)算法。在多峰簇?cái)?shù)據(jù)集中，CFDP算法會(huì)因簇中心點(diǎn)的選取不準(zhǔn)確而導(dǎo)致聚類質(zhì)量的下降。本文通過綜合考慮聚類結(jié)果中簇之間的距離、簇內(nèi)距離、合并兩簇后對(duì)于整體內(nèi)部評(píng)價(jià)指標(biāo)DBI的影響來有條件地對(duì)簇進(jìn)行合并，從而改善因選擇簇中心點(diǎn)失效而帶來的聚類質(zhì)量下降的問題。
　　為了驗(yàn)證本文提出的兩種聚類算法的有效性，我們?cè)诙鄠€(gè)基準(zhǔn)數(shù)據(jù)集上