密度影響因子相關(guān)的網(wǎng)格聚類算法研究.pdf

1、浙江理工大學(xué)學(xué)位論文獨創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得浙江理工大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示謝意。學(xué)位論文作者簽名：陟鋱’簽字日期：w￥年弓月[b日浙江理工大學(xué)碩士學(xué)位論文密度影響因子相關(guān)的網(wǎng)格聚類算法研究

2、摘要數(shù)據(jù)挖掘是適應(yīng)信息社會從海量數(shù)據(jù)中提取有價值信息的需要而產(chǎn)生的。聚類分析作為數(shù)據(jù)挖掘?qū)W科研究和應(yīng)用的重要分支之一，它能從未被標(biāo)記的數(shù)據(jù)中自動識別出具有一定相似性的數(shù)據(jù)組成的多個類。在各種聚類算法中，基于密度的算法能識別不同密度，任意形狀的聚簇。但是密度聚類往往因為要設(shè)置全局參數(shù)，且參數(shù)不止一個，當(dāng)遇到簇的密度變化差異很大時，聚類會遇到困難。而基于網(wǎng)格的聚類算法用網(wǎng)格代替對數(shù)據(jù)點的計算，提高了聚類處理速度，但是以犧牲精度為條件，網(wǎng)格劃

3、分的“粒度”大小影響著聚類的質(zhì)量，粒度越小，聚類越精確，但是花費的代價越高；而粒度越大，聚類質(zhì)量越粗糙。針對密度聚類和網(wǎng)格聚類的各自不足，本文考慮相鄰網(wǎng)格的密度影響因子，提出了改進(jìn)的聚類算法：基于網(wǎng)格密度影響因子的聚類算法(IFGDC)。算法的主要工作有：(1)通過劃分?jǐn)?shù)據(jù)空間將數(shù)據(jù)對象的聚類映射為網(wǎng)格單元的聚類，有效地降低了聚類操作的復(fù)雜度；(2)定義了基于網(wǎng)格相鄰關(guān)系的一些概念，避免了傳統(tǒng)的基于密度的算法中需要確定半徑的不便；(3)

4、提出了網(wǎng)格密度影響因子的概念，以便從高密度網(wǎng)格中確定核心網(wǎng)格；(4)并給出一種對簇邊緣的邊界點進(jìn)行提取的方法，進(jìn)一步提高了聚類準(zhǔn)確性。最后，通過實驗測試IFGDC聚類算法，驗證了該算法的正確性和有效性。Kmeans聚類算法簡單，成為聚類的經(jīng)典算法。但是Kmeans聚類對參數(shù)敏感，依賴用戶的經(jīng)驗選擇聚類數(shù)目和初始聚類中心，易受噪聲點干擾，而且算法結(jié)果依賴數(shù)據(jù)的輸入次序。針對這些不足，本文提出了基于IFGDC的Kmeans改進(jìn)算法。算法首先

5、利用網(wǎng)格聚類的速度優(yōu)勢，對數(shù)據(jù)進(jìn)行預(yù)處理，找到數(shù)據(jù)集的大致結(jié)構(gòu)與分布，得到聚簇的類數(shù)k和代表各自簇的k個初始質(zhì)心，然后利用這兩個參數(shù)對數(shù)據(jù)集進(jìn)行Kmeans聚類。實驗結(jié)果表明，相比單純地直接使用K均值聚類，改進(jìn)的算法能提高參數(shù)k和初始質(zhì)心選取的質(zhì)量，減少對“噪音”的敏感性，算法結(jié)果確定，不依賴數(shù)據(jù)錄入順序，可以有效改進(jìn)聚類效果。本文在最后對工作進(jìn)行了總結(jié)，并對未來的工作進(jìn)行了展望。關(guān)鍵詞：數(shù)據(jù)挖掘；聚類；網(wǎng)格；密度；網(wǎng)格密度影響因子；K