空間對(duì)象和移動(dòng)對(duì)象聚類算法研究.pdf

1、聚類分析作為數(shù)據(jù)挖掘的一個(gè)重要研究分支,根據(jù)在數(shù)據(jù)中發(fā)現(xiàn)的描述對(duì)象及其關(guān)系的信息,依據(jù)各簇內(nèi)對(duì)象相似性最大化和各簇間對(duì)象相似性最小化的基本聚類分析原則,將對(duì)象劃分為緊密且獨(dú)立的簇集。目前,由于各應(yīng)用數(shù)據(jù)庫(kù)中的數(shù)據(jù)越來(lái)越大,聚類分析已廣泛應(yīng)用于各種研究領(lǐng)域,成為數(shù)據(jù)挖掘領(lǐng)域中一個(gè)非?；钴S的研究課題。隨著數(shù)據(jù)收集技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)和數(shù)據(jù)庫(kù)技術(shù)的飛速發(fā)展,各種復(fù)雜類型的數(shù)據(jù)有了爆炸性的增長(zhǎng),因此迫切需要對(duì)復(fù)雜數(shù)據(jù)類型探索新的數(shù)據(jù)挖掘技術(shù)。本文對(duì)

2、空間非移動(dòng)對(duì)象聚類和移動(dòng)對(duì)象軌道聚類這兩個(gè)問(wèn)題進(jìn)行研究,從改善空間非移動(dòng)對(duì)象聚類效果、移動(dòng)對(duì)象聚類效果、提高算法時(shí)間復(fù)雜度和減少輸入?yún)?shù)敏感性等角度對(duì)其中急需解決的問(wèn)題進(jìn)行了研究,主要工作如下:
　　 (1)根據(jù)空間對(duì)象的鄰域、反鄰域和局部密度構(gòu)造了基于鄰域的局部異常因子,提出了一種基于微簇的對(duì)稱鄰域聚類算法BMSNC。BMSNC首先運(yùn)用經(jīng)典的聚類算法將原數(shù)據(jù)集進(jìn)行聚類產(chǎn)生一定量的微簇,然后將每一個(gè)微簇的中心代表這整個(gè)微簇,通過(guò)

3、對(duì)稱鄰域聚類算法在進(jìn)一步進(jìn)行聚類。該算法能有效快速的對(duì)大數(shù)據(jù)集進(jìn)行聚類分析,并且解決了不能從大的、稀疏的聚類中識(shí)別出小的、稠密的鄰近聚類這一缺陷,這就使得聚類結(jié)果的準(zhǔn)確度大大提高。在真實(shí)和合成數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,BMSNC是可行、有效的。
　　 (2)k-近鄰算法的結(jié)果依賴于距離度量的選取,這種距離通常涉及所有的特征,在距離公式中引入一些特征權(quán)參數(shù)后,其聚類結(jié)果將依賴于這些權(quán)值,從而可以通過(guò)調(diào)整這些權(quán)值來(lái)優(yōu)化聚類結(jié)果。本文根

4、據(jù)一種學(xué)習(xí)權(quán)值算法以改進(jìn)聚類準(zhǔn)確率提出了基于加權(quán)鄰域聚類算法BWNC,BWNC就是為每一個(gè)屬性加一個(gè)特征權(quán)參數(shù),讓不同的屬性在聚類中起不同的作用。從數(shù)學(xué)意義上講,這種權(quán)值學(xué)習(xí)相當(dāng)于歐氏空間中對(duì)一組點(diǎn)進(jìn)行線性變換。不僅對(duì)每個(gè)屬性學(xué)習(xí)權(quán)值,而且可以對(duì)每一個(gè)測(cè)試樣本點(diǎn)的近鄰基于它們到測(cè)試點(diǎn)的距離進(jìn)行加權(quán),通過(guò)實(shí)驗(yàn)表明該算法能很大程度上使得聚類結(jié)果更加準(zhǔn)確、有意義。
　　 (3)在已有的軌道聚類算法TRACLMS基礎(chǔ)上,提出了一種基于對(duì)