基于云模型和數(shù)據(jù)場的聚類研究.pdf

1、近年來，隨著“互聯(lián)網(wǎng)+”在各行業(yè)不斷的普及和發(fā)展，大數(shù)據(jù)思維正逐漸影響著人們的思考方式，領(lǐng)導(dǎo)者們依據(jù)數(shù)據(jù)作決策已成為常態(tài)。然而當(dāng)前的大數(shù)據(jù)具有數(shù)據(jù)量大、類型繁多、變化快、價值密度低等四大特征，要想從中提取有價值的信息，就需要進行大數(shù)據(jù)分析，而大數(shù)據(jù)分析的核心任務(wù)是聚類。聚類是指根據(jù)數(shù)據(jù)自身的結(jié)構(gòu)信息，將其劃分成多個類，使得每個類內(nèi)部相似度較高，不同類之間相似度較低。
　　經(jīng)典聚類算法如k-means、DBSCAN、密度峰值DPC等

2、聚類算法都存在著不足，或是對噪聲點敏感，或是需要用戶輸入?yún)?shù)。為了能克服上述算法各自的缺點同時又能繼承每種算法的優(yōu)點，本文在傳統(tǒng)聚類算法的基礎(chǔ)上，通過引入云模型和數(shù)據(jù)場提出了一種新的自適應(yīng)聚類算法。該算法能夠處理任意形狀分布的數(shù)據(jù)集，抗噪聲能力強，能夠處理高維數(shù)據(jù)，且整個聚類過程不需要人為輸入?yún)?shù)。
　　本文的主要研究內(nèi)容如下:
　　1、改進數(shù)據(jù)場中勢函數(shù)計算公式，將3σ距離以外的勢值定義為零。改進后的勢函數(shù)能準(zhǔn)確找出噪聲點

3、，且降低了算法的時間復(fù)雜度。
　　2、針對數(shù)據(jù)場中的參數(shù)σ，本文給出了兩種參數(shù)選取方法，并提出用黃金分割法計算最小熵，自動獲得最佳參數(shù)σ。
　　3、根據(jù)本文算法中聚類中心的性質(zhì)，提出了一種自動檢測最佳聚類中心的方法。
　　4、以改進的數(shù)據(jù)場為基礎(chǔ)，提出了一種自適應(yīng)聚類算法，整個聚類過程無需人為干預(yù)，解決了經(jīng)典聚類算法對人為輸入?yún)?shù)的依賴性。該算法通過計算每個對象的勢值，找出聚類中心和噪聲點，然后將其他對象按勢值劃分到最