軟子空間聚類算法研究及其應(yīng)用.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域最重要的研究熱點(diǎn)之一。然而隨著技術(shù)的進(jìn)步，聚類分析許多應(yīng)用領(lǐng)域的數(shù)據(jù)具有很高的維度，同時受“維度效應(yīng)”的影響，傳統(tǒng)的聚類算法在高維數(shù)據(jù)上的聚類精度不盡如人意。因而研究高維數(shù)據(jù)的聚類分析方法具有非常重要的意義，已成為近年來研究的一個重點(diǎn)課題。
　　 在高維空間中，簇類可能只存在于某些低維子空間中，而不同的簇類所處的子空間也可能存在差異。因而子空間聚類方法成為高維數(shù)據(jù)聚類分析中的一個研究熱點(diǎn)?，F(xiàn)有軟子空間聚類算

2、法多關(guān)注于簇類緊湊度的信息，忽略投影子空間的優(yōu)化，在數(shù)據(jù)點(diǎn)之間普遍存在“低相似性”的情況下，難以準(zhǔn)確定位聚類過程的初始點(diǎn)。
　　 本文從高維數(shù)據(jù)投影子空間的優(yōu)化目標(biāo)入手，提出新的軟子空間聚類算法、開展高維數(shù)據(jù)的聚類魯棒性等研究；并在垃圾郵件過濾領(lǐng)域進(jìn)行應(yīng)用研究。論文的主要研究工作包括：
　　 1．高維聚類的初始化的研究：提出一種基于公共近鄰密度的初始化算法。該算法利用點(diǎn)的局部密度來評估可能的高密度區(qū)域，以此來定位簇的初始

3、中心點(diǎn)。該方法有利于發(fā)現(xiàn)不同形狀以及不同密度的簇類，并適用于子空間聚類算法和全空間聚類算法。實(shí)驗(yàn)結(jié)果表明，算法提高了聚類結(jié)果的穩(wěn)定性和可靠性；
　　 2．子空間聚類算法的研究：提出一種基于子空間差異的K均值型軟子空間聚類算法。新算法致力于投影子空間的不斷優(yōu)化，算法過程不需要用戶指定額外的參數(shù)。在此基礎(chǔ)上，結(jié)合新的子空間聚類初始化方法，提出具有高維魯棒性的軟子空間據(jù)類算法。實(shí)驗(yàn)結(jié)果表明，新算法能夠提高聚類的精度，并且具有良好的數(shù)據(jù)