無(wú)參數(shù)網(wǎng)格聚類算法的研究.pdf

1、數(shù)據(jù)挖掘技術(shù)可以從大量數(shù)據(jù)中發(fā)現(xiàn)潛在的、有價(jià)值的知識(shí),它給人們?cè)谛畔r(shí)代所積累的海量數(shù)據(jù)賦予了新的意義。聚類分析作為其重要的組成部分,當(dāng)前,在模式識(shí)別,數(shù)據(jù)處理,圖形圖像以及市場(chǎng)分析等方面越來(lái)越受到人們的青睞。在眾多研究領(lǐng)域當(dāng)中,聚簇分析是專家學(xué)者研究的焦點(diǎn)。
　　本文對(duì)聚類算法進(jìn)行了深入地分析研究,指出該類算法存在著對(duì)參數(shù)敏感、不能有效地對(duì)多密度數(shù)據(jù)集聚類等問(wèn)題。針對(duì)這些問(wèn)題,本文利用網(wǎng)格熵和網(wǎng)格信息度的概念來(lái)自動(dòng)計(jì)算出網(wǎng)格聚類

2、中的密度閾值,在此基礎(chǔ)上提出了一種有效的無(wú)參數(shù)網(wǎng)格聚類算法NaRic;針對(duì)傳統(tǒng)的反向K-近鄰邊界點(diǎn)檢測(cè)算法BORDER存在著時(shí)間復(fù)雜度較高、參數(shù)難以確定以及該算法不能去除孤立點(diǎn)影響等問(wèn)題,本文利用網(wǎng)格中數(shù)據(jù)點(diǎn)方差的概念來(lái)確定聚類中的邊界點(diǎn),在此基礎(chǔ)上提出了基于統(tǒng)計(jì)信息的邊界點(diǎn)檢測(cè)算法BPSF。
　　針對(duì)上述提出的兩種算法NaRic和BPSF,本文中都進(jìn)行了較為詳細(xì)的描述,給出了算法實(shí)現(xiàn)的具體步驟。本文使用Visual C++6.0

3、實(shí)現(xiàn)了無(wú)參數(shù)網(wǎng)格聚類算法NaRic、共享近鄰SNN算法、基于統(tǒng)計(jì)信息的邊界點(diǎn)檢測(cè)算法BPSF、反向K-近鄰邊界點(diǎn)檢測(cè)算法BORDER算法,做了大量的對(duì)比實(shí)驗(yàn),包括有效性、效率對(duì)比實(shí)驗(yàn),所使用的數(shù)據(jù)集包括綜合數(shù)據(jù)集和真實(shí)數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明,無(wú)參數(shù)網(wǎng)格聚類算法在不需要任何輸入?yún)?shù)的情況下可以處理任意形狀、任意大小的聚類,并且可以對(duì)多密度數(shù)據(jù)集進(jìn)行正確聚類,和傳統(tǒng)的多密度聚類算法SNN相比,該算法具有較高的聚類精度和效率;基于統(tǒng)計(jì)信息的邊界