高維數(shù)據(jù)流快速降維聚類算法研究.pdf

1、數(shù)據(jù)的爆炸式增長，使得從數(shù)據(jù)中發(fā)現(xiàn)有價值的信息并將其轉化為有組織的知識變得更加困難，于是數(shù)據(jù)挖掘應運而生。而作為數(shù)據(jù)挖掘的重要研究方法之一，聚類分析在許多領域被廣泛使用。而隨著信息技術的不斷發(fā)展，數(shù)據(jù)流成為了一種新的數(shù)據(jù)類型，并逐漸成為主流。于是對數(shù)據(jù)流的聚類算法的研究變得熱門而富有意義。高維數(shù)據(jù)流聚類算法包括降維和聚類兩個部分，本文分別針對已有的降維算法和聚類算法中存在的不足，提出了自己的改進算法，并用實驗證明了改進算法的優(yōu)勢。

2、>　　本文在別人的基礎上，針對高維數(shù)據(jù)流子空間降維算法無法根據(jù)數(shù)據(jù)流的動態(tài)變化自動調整降維結果和需要多次掃描數(shù)據(jù)流的問題，提出了基于結構樹的高維數(shù)據(jù)流子空間自適應降維算法。該算法通過改進相對熵尋找區(qū)域的相關維，繼而建立起對應的子空間，并在子空間中實現(xiàn)聚類，確保了不同的區(qū)域對應不同的子空間。利用相對熵尋找區(qū)域相關維相對于孫玉芬的GSCDS算法更簡單更自然。同時使用結構樹保存劃分過程相關信息，并結合回溯算法的思想，實現(xiàn)了對高維數(shù)據(jù)流子空間聚

3、類算法的自適應功能，避免了算法每次面對新數(shù)據(jù)都需要重新運行子空間算法的尷尬，衰減因子的使用也避免了舊數(shù)據(jù)對聚類結果的過度影響。實驗結果表明算法以較小的時間復雜度取得了較高的聚類質量。
　　將基于網(wǎng)格的聚類算法應用在降維結果的聚類處理中保留了網(wǎng)格算法高效，自適應能力強的優(yōu)點，但網(wǎng)格的劃分導致類邊緣精度低下的問題，影響了聚類質量，于是本文針對基于網(wǎng)格的數(shù)據(jù)流聚類算法存在的簇邊緣精度低下以及需要多次掃描網(wǎng)格才能實現(xiàn)聚類的問題，提出了一種