無參數(shù)聚類邊界點檢測算法的研究.pdf

1、當今社會是信息化的社會,信息量急劇.的膨脹,如何從大量數(shù)據(jù)中用非平凡的方法發(fā)現(xiàn)知識,已經(jīng)成為信息產(chǎn)業(yè)界廣泛關(guān)注的問題。數(shù)據(jù)挖掘可以從大量的信息中發(fā)現(xiàn)有用的信息和知識,因此它已成為信息時代的一個研究熱點。聚類分析是數(shù)據(jù)挖掘中一個重要的研究領(lǐng)域,它的許多研究成果已經(jīng)被廣泛應(yīng)用于模式識別、數(shù)據(jù)分析、圖像處理、市場研究等多個領(lǐng)域。聚類邊界分析是聚類分析的一個分支,它在聚類分析、圖像檢索、虛擬現(xiàn)實等領(lǐng)域中有著重要的作用。但是目前關(guān)于聚類邊界點的研

2、究才剛剛起步,并且已有的邊界檢測的算法存在著輸出結(jié)果對輸入?yún)?shù)高度依賴、不能準確提取多密度數(shù)據(jù)集中聚類的邊界點等問題。另外,目前存在的聚類算法和邊界檢測算法大多數(shù)是相互獨立的,沒有將聚類和邊界檢測相融合。
　　 針對現(xiàn)有的邊界點檢測算法都需要輸入?yún)?shù),但在實際應(yīng)用中算法的參數(shù)又難以確定這一問題,本文利用邊界點自身的分布特征和k-means聚類技術(shù)來自動計算出數(shù)據(jù)集的邊界度閾值,提出了一種無參數(shù)邊界檢測算法NPRIM。
　　

3、 針對現(xiàn)有的邊界檢測算法在含有任意形狀、多密度聚類且不同聚類間距離較近的數(shù)據(jù)集上算法精度不高,聚類算法與邊界檢測算法相互分離等這些問題,本文充分利用最小生成樹和三角剖分圖能自然反應(yīng)數(shù)據(jù)點分布特征的優(yōu)點,將兩者結(jié)合起來提出了一種新的基于最小生成樹的聚類邊界檢測算法2-MSTCRIM。
　　 本文實現(xiàn)了算法NPRIM和2-MSTCRIM,在綜合數(shù)據(jù)集和真實數(shù)據(jù)集上做了大量實驗,并與BORDER、BRIM等其它邊界檢測算法進行了比較