基于圖聚類的多維數(shù)據(jù)和軟件聚類研究.pdf

1、聚類作為一種無監(jiān)督的模式分類方法，在語音識(shí)別、字符識(shí)別以及數(shù)據(jù)挖掘（多關(guān)系數(shù)據(jù)挖掘）、時(shí)空數(shù)據(jù)庫應(yīng)用(GIS等)、序列數(shù)據(jù)分析等領(lǐng)域具有廣闊的應(yīng)用前景。聚類研究按照數(shù)據(jù)建模方式可分為多維空間上的聚類以及圖聚類（又稱為圖上社團(tuán)發(fā)現(xiàn)）兩個(gè)主要方向。隨著各類數(shù)據(jù)規(guī)模持續(xù)增長，如何對(duì)海量的數(shù)據(jù)進(jìn)行高效和有效的聚類分析是成為對(duì)多維數(shù)據(jù)的聚類研究一個(gè)巨大挑戰(zhàn)。而對(duì)于圖上的聚類而言，圖聚類的特定的應(yīng)用背景以及其可視化的過程需求的多樣性是當(dāng)前圖聚類在實(shí)

2、際應(yīng)用中的主要挑戰(zhàn)之一。
　　針對(duì)上述挑戰(zhàn)，本文研究了在多維數(shù)值型向量數(shù)據(jù)和軟件模塊圖數(shù)據(jù)上運(yùn)用圖上聚類技術(shù)實(shí)現(xiàn)高效和高質(zhì)量聚類的聚類算法。主要工作分為兩大塊。
　　首先對(duì)多維空間上聚類所面臨的處理海量數(shù)據(jù)的挑戰(zhàn)，本文中提出了基于K-Means的KBAC算法，該算法采用K-Means算法作為預(yù)聚類過程，能夠自適應(yīng)確定最佳聚類核數(shù)目并進(jìn)行聚類。其核心思想是將樣本空間聚類問題轉(zhuǎn)換為圖上社團(tuán)發(fā)現(xiàn)問題。并進(jìn)一步研究了該算法在云平臺(tái)上

3、進(jìn)行實(shí)現(xiàn)和優(yōu)化方案。理論和實(shí)驗(yàn)證明，通過在云計(jì)算框架下優(yōu)化實(shí)現(xiàn)K-Means預(yù)聚類過程的并行化，KBAC算法能夠高效地對(duì)大規(guī)模數(shù)據(jù)進(jìn)行自適應(yīng)聚類，并獲得高質(zhì)量的聚類結(jié)果。
　　另一方面，針對(duì)圖聚類在不同應(yīng)用背景下問題的多樣性，本文探索了軟件聚類這一領(lǐng)域內(nèi)的圖聚類。在本文中提出了基于入口和PageRank的兩階段層次聚類算法和對(duì)軟件聚類輸出的模塊的命名算法，并探索了對(duì)軟件聚類結(jié)果進(jìn)行粒度可調(diào)節(jié)的動(dòng)態(tài)可視化的實(shí)現(xiàn)。并基于上述算法的設(shè)計(jì)