基于模糊聚類的數據庫空值估計研究.pdf

1、隨著數字時代的來臨，數據的存儲和處理工作越來越得到重視。數據挖掘技術作為一種數據處理方法需要對數據進行有效的預處理，而預處理過程中對存儲在數據庫中的缺失數據進行推導并填補已經成為一個亟待解決的熱點研究問題。
　　普通FCM算法仍然存在初始聚類中心的選擇具有隨機性以及收斂較慢等問題。針對初始聚類中心的選擇，結合k維樹和空間劃分樹，分別提出了改進的FCM算法。該算法能夠有目的地找到一組優(yōu)化的初始聚類中心從而減少迭代次數和運行時間。

2、r>　　針對數據庫中的空值問題，給出一種基于FCM關系數據庫單空值估計方法。算法通過相關降維技術獲得一組較為客觀的空值屬性的依賴屬性。在此基礎上利用改進的FCM算法對數據集進行聚類。針對每一個聚類中情況的不同，分別使用多元線性回歸的方法得到一個近似的擬合函數。實驗表明該方法能夠提高空值估計的準確性，得出的估計值具有較高的準確率。
　　大多數空值估計方法僅僅基于空值所在數據表的信息，而忽視了關系數據庫中數據表之間的關聯關系。針對這一

3、問題，利用數據表間的外鍵傳遞關系，引入多表間的關聯關系以擴充空值所在數據表的信息。根據數據庫中空值所在表和其他表的關聯關系的不同模式，提出三種不同模式下擴充空值所在數據表信息的方法。對數據表中多個屬性上同時存在的空值，以往常用的方法忽視了空值之間的依賴關系，更沒有注意到空值估計的順序問題。對此研究了表內空值間的相關關系，給出了空值的選取與轉化方法以及空值的估計優(yōu)先級。在兩者基礎上提出一種基于多表關聯信息的數據庫多空值估計方法。實驗表明該