基于粗糙粒計算的數(shù)據(jù)挖掘算法研究.pdf

1、現(xiàn)實(shí)世界數(shù)據(jù)集合的規(guī)模正在飛速膨脹。挖掘隱藏在數(shù)據(jù)內(nèi)部的、模式化的信息或知識，變得日益重要。這使得數(shù)據(jù)挖掘成為了一個熱門的研究問題。數(shù)據(jù)挖掘技術(shù)日趨成熟，研究發(fā)現(xiàn)數(shù)據(jù)中往往存在著大量的近似的、模糊的、不可分辨的信息。為處理不可分辨問題，很多的數(shù)據(jù)挖掘算法與粗糙集理論、粒計算理論相互結(jié)合。研究工作采用粗糙集、粒計算理論處理帶有模糊性的數(shù)據(jù)集合，主要包括以下幾個方面：
　　1、提出一種單維度的層次?；瘜傩约s簡算法。分析了鄰域方法在處理

2、連續(xù)信息屬性約簡時，存在的?；瘲l件不統(tǒng)一的問題。即使用距離度量作為衡量近似關(guān)系的標(biāo)準(zhǔn)，對不同維度的距離計算使用相同的近似閾值，難免會造成分類精度上的誤差。單維度層次?；瘜傩约s簡算法針對每個屬性，使用統(tǒng)一的距離閾值?；瘮?shù)據(jù)對象的鄰域。并通過網(wǎng)絡(luò)序列層次?；Ｐ偷南噜弻哟蔚葍r粒之間的性質(zhì)，計算數(shù)據(jù)集合的分類性能。實(shí)驗(yàn)證明，算法減少了需要輸入的主觀參數(shù)，具有較好的約簡性能，降低了必要信息的損失。
　　2、提出一種基于簇內(nèi)不平衡度量的粗糙

3、K-means聚類算法。以往的粗糙K-means算法及其改進(jìn)方法，將研究的重點(diǎn)放在邊界對象的模糊性和數(shù)據(jù)點(diǎn)在簇間的相異程度上，并沒有關(guān)注數(shù)據(jù)樣本因分布位置不同造成的簇內(nèi)差異。簇內(nèi)不平衡度量可以有效的地反映數(shù)據(jù)對象因與均值中心距離不同而在簇內(nèi)的貢獻(xiàn)程度不同。通過對UCI數(shù)據(jù)的仿真分析，表明該算法可以使得聚類簇內(nèi)更加緊湊，簇間更加分離。
　　3、提出一種密度自適應(yīng)簇內(nèi)不平衡度量的粗糙K-means聚類算法。數(shù)據(jù)對象在簇內(nèi)的分布不平衡，