聚類分析中若干關(guān)鍵技術(shù)的研究.pdf

1、基于數(shù)據(jù)庫(kù)的知識(shí)發(fā)現(xiàn)(KnowledgeDiscoveryinDatabase，簡(jiǎn)稱KDD)是指從大量數(shù)據(jù)中提取有效的、新穎的、潛在有用的和最終可被理解的模式的非平凡過(guò)程。它是一個(gè)反復(fù)迭代的人機(jī)交互處理過(guò)程，該過(guò)程需要經(jīng)歷多個(gè)步驟，主要包括數(shù)據(jù)整理、數(shù)據(jù)挖掘(DataMining)和結(jié)果的解釋評(píng)估。其中數(shù)據(jù)挖掘是整個(gè)KDD過(guò)程中最核心的步驟，數(shù)據(jù)挖掘的目的就是運(yùn)用特定的數(shù)據(jù)挖掘算法，從數(shù)據(jù)庫(kù)中提取用戶感興趣的知識(shí)，并以一定的方式表示出來(lái)

2、，如樹、表、規(guī)則、圖等。 聚類分析是數(shù)據(jù)挖掘的最主要的功能之一，聚類就是將數(shù)據(jù)對(duì)象分組為多個(gè)類或簇，在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。本文將重點(diǎn)研究聚類分析中的若干關(guān)鍵技術(shù)和算法。 在第一章中，首先就數(shù)據(jù)挖掘進(jìn)行概述，主要討論數(shù)據(jù)挖掘的產(chǎn)生、發(fā)展以及數(shù)據(jù)挖掘算法可以實(shí)現(xiàn)的功能，主要包括：類/概念描述、關(guān)聯(lián)規(guī)則、分類與回歸、聚類分析、序列與時(shí)序分析以及孤立點(diǎn)分析等。最后給出了本文研究的主要內(nèi)

3、容和組織結(jié)構(gòu)。 在第二章中，首先介紹了聚類分析的定義，聚類算法的基本要求，以及聚類中用到的主要數(shù)據(jù)類型；然后討論了聚類分析的各種算法：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法以及基于模型的方法；最后對(duì)聚類算法的應(yīng)用領(lǐng)域進(jìn)行了探討。 第三章介紹了模糊集合的基本概念，模糊集合的運(yùn)算，模糊截集及分解定理，在此基礎(chǔ)上，研究了基于模糊關(guān)系的模糊聚類及其算法，通過(guò)應(yīng)用FCM算法的實(shí)例解釋了模糊聚類的應(yīng)用。 第四章重

4、點(diǎn)研究了高斯混合模型的聚類算法，除了介紹經(jīng)典的EM算法以外，還討論了GMDD算法。由于在某些領(lǐng)域，為了更準(zhǔn)確地識(shí)別出不同性質(zhì)的數(shù)據(jù)，人們會(huì)根據(jù)經(jīng)驗(yàn)利用加權(quán)函數(shù)以獲得更好的聚類效果，本文以加權(quán)似然方程為基礎(chǔ)提出了加權(quán)GMDD算法。通過(guò)對(duì)GMDD算法及加權(quán)GMDD算法的研究分析，指出了它們存在的可能無(wú)法有效收斂的現(xiàn)象，并提出了一種基于劃分的解決方法，該方法通過(guò)GMDD聚類與普通劃分交叉進(jìn)行，從而有效避免了由于對(duì)稱性等原因引起的無(wú)法收斂的情況

5、，最后通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性。 第五章研究了切換回歸模型的聚類算法。首先介紹了硬C-劃分算法和模糊C-回歸模型算法，分別討論了它們各自的優(yōu)缺點(diǎn)，然后在此基礎(chǔ)上提出了模糊閾值(fuzzythreshold)的概念。通過(guò)對(duì)每個(gè)數(shù)據(jù)的隸屬度與模糊閾值的比較來(lái)確定該數(shù)據(jù)的模糊屬性，由此可以將硬C-劃分算法和模糊C-回歸模型算法有機(jī)地統(tǒng)一起來(lái)，并通過(guò)調(diào)節(jié)模糊閾值的大小使算法滿足不同的實(shí)際應(yīng)用的需要。實(shí)驗(yàn)表明，模糊閾值的引入增強(qiáng)了