一般分布式與區(qū)間型符號數據的動態(tài)聚類分析研究.pdf

1、互聯網技術的高速發(fā)展帶來了數據的極大豐富,然而傳統的聚類分析技術在面對如此龐大的樣本空間時存在著局限性。符號數據分析產生于上個世紀80年代,它是針對海量數據進行知識發(fā)現和規(guī)律挖掘的一套理論方法。聚類作為一種解釋復雜數據關系的技術在符號數據分析領域有著廣泛的應用。但現有符號數據聚類分析的研究大多假設個體在區(qū)間內服從均勻分布,這往往并不符合實際情況。針對此問題,本文對一般分布的分布式符號數據和區(qū)間型符號數據動態(tài)聚類方法展開研究。
　　

2、首先給出了兩種常用的符號數據的定義——分布式符號數據和區(qū)間型符號數據,隨后對分布式符號數據的聚類分析進行了一些探索性研究,包括分布式符號數據的形成,一般分布情況下的距離度量,以及動態(tài)聚類算法等。以鳶尾屬植物數據集為例,將其分組形成符號對象,并在其上進行動態(tài)聚類分析研究,以說明本算法的實用性。
　　考慮區(qū)間數所包含個體的分布信息,基于Hausdorff距離提出了一種新的多維區(qū)間型符號數據距離度量?；诖?給出一般分布的區(qū)間型符號數據

3、動態(tài)聚類算法。通過隨機模擬試驗對文中方法進行有效性評價,結論表明,在各種實驗設計的條件下,考慮一般分布的動態(tài)聚類算法有效性均優(yōu)于均勻分布假設下的動態(tài)聚類算法。最后將文中方法應用于汽車的聚類分析,進一步體現了文中方法在解決實際問題中的優(yōu)勢。
　　本文針對多維分布式符號數據和區(qū)間型符號數據分別提出了動態(tài)聚類算法,并運用聚類有效性指標對其評價。應用研究結果表明,無論對于分布式符號數據或是區(qū)間型符號數據,本文所提出的一般分布的前提條件下的