密度敏感的K-means聚類算法研究.pdf

1、數(shù)據(jù)挖掘技術(shù)在當(dāng)今大數(shù)據(jù)涌現(xiàn)的今天已經(jīng)變得越來越重要,比如乘坐飛機(jī)的每一個(gè)乘客的購票信息,銀行里每一個(gè)顧客的交易記錄,網(wǎng)上每一個(gè)網(wǎng)民的購物記錄,各大超市里所有商品的賣價(jià)等等,所有的這一些都預(yù)示著大數(shù)據(jù)正在不斷涌現(xiàn),如何保存處理這些大數(shù)據(jù)就成為當(dāng)今信息技術(shù)研究的重點(diǎn)課題,數(shù)據(jù)挖掘技術(shù)無疑將成為我們唯一的方式來解決這個(gè)問題。而且大數(shù)據(jù)問題在國內(nèi)外都是一個(gè)嶄新的領(lǐng)域,相應(yīng)的科研人員如果能夠更多關(guān)注這一問題并恒于研究勤于反思努力實(shí)踐,那么我們將

2、在這一領(lǐng)域取得最終的勝利。
　　K-means聚類算法是數(shù)據(jù)挖掘的知識,是聚類算法中使用頻率最多的算法,眾多國內(nèi)外學(xué)者都對其有深入研究和改進(jìn),但是K-means算法本身存在的幾個(gè)缺點(diǎn)仍然無法完全克服,像很難在非凸形狀數(shù)據(jù)集上進(jìn)行聚類,容易被噪聲點(diǎn)干擾,對高維的數(shù)據(jù)集的聚類準(zhǔn)確性不高,聚類之前需要輸入聚類數(shù)目等。因此在本文中,就它的這幾個(gè)缺點(diǎn)做了改進(jìn)創(chuàng)新,使其通用性大大增強(qiáng)。本文主要工作包括:
　　1.提出基于三角劃分的RtK

3、-means聚類算法,通過Delaunay三角化進(jìn)行初始網(wǎng)格劃分,刪除三角網(wǎng)格中的長邊,根據(jù)整體聚類獲取較為準(zhǔn)確的聚類數(shù)。該算法有效解決k均值算法難以聚類非凸形狀數(shù)據(jù)集的問題,對數(shù)據(jù)類簇相距比較遠(yuǎn)的情況更加容易聚類,在人工數(shù)據(jù)集上取得較為準(zhǔn)確的聚類效果。
　　2.給出局部鄰域半徑內(nèi)處理邊緣數(shù)據(jù)點(diǎn)的快速方法,具體方法是先對刪除長邊的點(diǎn)選定一個(gè)鄰域半徑 r,然后對該鄰域半徑內(nèi)的點(diǎn)直接采用高斯核函數(shù)進(jìn)行聚類,該方法解決了流行數(shù)據(jù)難以聚類

4、邊緣數(shù)據(jù)點(diǎn)的問題,同時(shí)也解決了噪聲點(diǎn)干擾聚類問題。
　　3.提出基于譜聚類的PK-means算法,將譜聚類應(yīng)用到k均值算法中聚類高維非線性數(shù)據(jù),該算法主要從兩個(gè)方面對k均值做了改進(jìn)創(chuàng)新:
　　(1)給出自動確定初始聚類數(shù)目的辦法,聚類之前首先計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的相對密度,然后按照降序?qū)λ袛?shù)據(jù)點(diǎn)進(jìn)行排序,選取一些密度相對最高的一些數(shù)據(jù)點(diǎn)對其進(jìn)行聚類,并確定聚類數(shù)目k,最后利用此方法在UCI數(shù)據(jù)集上驗(yàn)證,聚類效果顯著。