基于粒子群優(yōu)化的數(shù)據(jù)流挖掘的聚類算法分析.pdf

1、隨著計(jì)算機(jī)及其應(yīng)用技術(shù)的迅猛發(fā)展，人類獲取數(shù)據(jù)的能力得到很大程度的提高，數(shù)據(jù)流(DataStreams)已成為重要的數(shù)據(jù)來(lái)源之一，因此有關(guān)數(shù)據(jù)流的挖掘算法也已成為一個(gè)重要的前沿課題。數(shù)據(jù)流聚類是數(shù)據(jù)流挖掘的一個(gè)重要的分支，其主要目的是從數(shù)據(jù)流中發(fā)現(xiàn)新的知識(shí)模式和隱藏的新規(guī)律。
　　 數(shù)據(jù)流是一個(gè)由不斷到達(dá)的數(shù)據(jù)所組成的動(dòng)態(tài)變化增長(zhǎng)的數(shù)據(jù)集，要從有限的數(shù)據(jù)處理分析過(guò)渡到無(wú)限的數(shù)據(jù)處理分析，人們面臨著新的嚴(yán)峻的挑戰(zhàn)，需要尋求新的聚類

2、算法。最為經(jīng)典的數(shù)據(jù)流聚類算法是CluStream算法，Clustream算法包括在線聚類部分和離線部分兩部分，本文主要的研究工作是基于兩層模型，對(duì)數(shù)據(jù)流的離線部分做優(yōu)化處理。
　　 本文的主要研究工作包括以下幾個(gè)方面：
　　 (1)分析了粒子群算法與遺傳算法優(yōu)缺點(diǎn)，并結(jié)合兩者的優(yōu)點(diǎn)，對(duì)基于質(zhì)心的K-means算法的聚類中心做優(yōu)化，使得K-means的聚類算法產(chǎn)生更好的聚類效果。實(shí)驗(yàn)數(shù)據(jù)表明：采用基于交換技術(shù)的混合IGA

3、&PSO的聚類算法比單一的K-means算法性能更好。
　　 (2)PSO作為一種智能優(yōu)化算法，有時(shí)也會(huì)因?yàn)樵缡於萑刖植孔顑?yōu)解。為了解決局部最優(yōu)的問(wèn)題，利用捕食-被捕食的粒子群優(yōu)化(PPPSO)作優(yōu)化，在PPPSO中，捕食者追逐被捕食者的中心，而被捕食者逃離捕食者，這是一種防止局部最優(yōu)者出現(xiàn)且找到全局最優(yōu)者的一種有效的方法。本文提出了一種使用PPPSO來(lái)優(yōu)化模糊均值的聚類方法。
　　 (3)在高維數(shù)據(jù)流空間里，為了解決

4、多余特征對(duì)數(shù)據(jù)流聚類質(zhì)量的影響，提出了一種基于粒子群與特征選擇的數(shù)據(jù)流聚類算法。此算法具有自動(dòng)探測(cè)、移除多余不重要特征等功能。實(shí)驗(yàn)結(jié)果表示，基于特征選擇的數(shù)掘流聚類算法(DSCFC)，在對(duì)有多余特征的數(shù)據(jù)流聚類時(shí)，比CluSteam算法更有效，聚類質(zhì)量更好。
　　 (4)在數(shù)據(jù)流挖掘中，要快速地挖掘出數(shù)據(jù)流中的任意有趣模式，如果只利用現(xiàn)有的基于頻繁項(xiàng)集算法直接進(jìn)行復(fù)雜模式挖掘是困難的。為解決此問(wèn)題，一種基于頻繁項(xiàng)集的條件模式挖掘