海洋環(huán)境下聚類算法的研究.pdf

1、聚類分析是數(shù)據(jù)挖掘(Data Mining，DM)重要方法之一，在圖像處理，環(huán)境預(yù)測(cè)，天氣預(yù)報(bào)等許多領(lǐng)域有著廣泛應(yīng)用，也是進(jìn)行海洋颶風(fēng)和赤潮研究的一種新方法。
　　針對(duì)目前海洋環(huán)境中的颶風(fēng)和赤潮的分析方法單一性和不完善性，本文采用聚類分析方法對(duì)這兩種現(xiàn)象進(jìn)行分析。傳統(tǒng)的颶風(fēng)研究方法依據(jù)氣象學(xué)或空氣動(dòng)力學(xué)的原理進(jìn)行分析，本文采用聚類方法，根據(jù)颶風(fēng)生成的移動(dòng)特征，把颶風(fēng)抽象為軌跡，并以此聚類。赤潮過(guò)程包含多個(gè)階段，各階段具有不確定性，

2、這是由赤潮理化因子的不同作用而引起的。傳統(tǒng)研究赤潮對(duì)所有影響因子數(shù)據(jù)統(tǒng)一處理，這種方法難以發(fā)現(xiàn)個(gè)體因子對(duì)赤潮的影響作用。針對(duì)這一不足之處以及赤潮過(guò)程多階段模糊的特點(diǎn)，提出模糊聚類與權(quán)重值相結(jié)合的方法，并以此分析赤潮產(chǎn)生過(guò)程以及各階段的特征。影響赤潮發(fā)生的理化因子具有高維性，高維數(shù)據(jù)綜合分析，更適合采用模糊聚類分析方法。為了表明算法的有效性，本文構(gòu)造了一種新有效性評(píng)價(jià)指標(biāo)，克服傳統(tǒng)依靠距離作為衡量標(biāo)準(zhǔn)的有效性指標(biāo)的不足。本文以提出的聚類創(chuàng)

3、新理論為研究重點(diǎn)，以海洋環(huán)境領(lǐng)域中的應(yīng)用為背景，內(nèi)容涉及計(jì)算智能技術(shù)、海洋颶風(fēng)以及赤潮，屬于交叉學(xué)科的研究課題，具有十分重要的理論意義和實(shí)際應(yīng)用價(jià)值。論文的主要工作如下:
　　1.研究了颶風(fēng)軌跡聚類算法。提出了一種基于相似子軌跡的聚類算法。該算法基于子軌跡的劃分，提出相似子軌跡的概念，利用相似子軌跡近似代表一個(gè)子軌跡聚類區(qū)域的空間特征，因此可以減少空間搜尋，算法能夠有效的降低時(shí)間復(fù)雜度和空間復(fù)雜度，提高了算法的執(zhí)行效率。
　

4、　2.研究了軌跡聚類算法輸入?yún)?shù)問題。針對(duì)軌跡聚類過(guò)程中對(duì)輸入?yún)?shù)ε和MinLns具有敏感性，提出了一種對(duì)輸入?yún)?shù)非敏感的軌跡聚類算法，算法根據(jù)軌跡劃分的子軌跡指定距離和可達(dá)距離概念，計(jì)算得到上一個(gè)參數(shù)化的簇排序，通過(guò)此排序序列表示軌跡數(shù)據(jù)內(nèi)在聚類結(jié)構(gòu)，并且使用此排序序列聚類的結(jié)果等效于利用一個(gè)參數(shù)范圍實(shí)現(xiàn)軌跡聚類的結(jié)果。因此算法能夠避免由唯一參數(shù)值帶來(lái)聚類結(jié)果的不確定性，有效降低了聚類結(jié)果對(duì)輸入?yún)?shù)的敏感性。
　　3.研究了赤潮

5、發(fā)生過(guò)程中各階段的模糊聚類。赤潮發(fā)生過(guò)程可以分為四個(gè)階段，這四個(gè)階段受多種理化因子制約，各階段之間難以區(qū)別，具有模糊性。某一理化因子在四個(gè)階段都有可能有相同的值，或者值變化非常大。因此不同理化因子在赤潮過(guò)程各個(gè)階段的作用大小并不相同。針對(duì)赤潮過(guò)程的模糊性和各因子對(duì)赤潮各階段影響的重要程度不同的特點(diǎn)，提出一種基于權(quán)重的模糊聚類算法，為隸屬度函數(shù)和典型值函數(shù)分配不同的權(quán)值。算法克服了模糊可能性均值聚類算法(Fuzzy possibiliti

6、c C-Means,FPCM)中限制典型值的不足之處，也克服了可能性模糊聚類算法(Possibilitic Fuzzy C-Means，PFCM)中隨機(jī)確定參數(shù)的不合理性。算法運(yùn)用基于原型驅(qū)動(dòng)的學(xué)習(xí)方法確定權(quán)重參數(shù)，使得權(quán)重參數(shù)計(jì)算更合理。實(shí)驗(yàn)結(jié)果表明該方法聚類效果明顯。
　　4.研究了區(qū)間數(shù)據(jù)集的模糊聚類問題。隨著應(yīng)用的需要，使用區(qū)間值變量描述對(duì)象大量存在于實(shí)際生活中?；跉W氏距離的聚類方法雖然對(duì)點(diǎn)數(shù)據(jù)聚類效果明顯，但對(duì)區(qū)間數(shù)據(jù)

7、的處理歐氏距離度量方法則顯得不足，聚類效果不明顯。針對(duì)這一特點(diǎn)，提出了區(qū)間數(shù)據(jù)集的三種二次型距離度量方法，在此基礎(chǔ)上修改目標(biāo)方程產(chǎn)生三種算法。在UCI數(shù)據(jù)集和海洋魚類數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，新算法能夠得到較好的聚類效果，并且有較低誤分率。
　　5.研究了聚類有效性指標(biāo)。在未知數(shù)據(jù)集中如何確定最佳聚類數(shù)和如何確定真實(shí)聚類中心，以及如何度量類內(nèi)緊致度和類間分離度屬于聚類有效性研究的問題。目前許多有效性指標(biāo)算法的類內(nèi)和類間的度量方法都基

8、于歐氏距離方法，這種方法對(duì)于球狀數(shù)據(jù)能夠較好的發(fā)現(xiàn)最佳聚類數(shù)，但對(duì)于重疊度較高的數(shù)據(jù)集和不規(guī)則數(shù)據(jù)集，效果不明顯。本文提出了一種非歐氏距離有效性指標(biāo)VI，指標(biāo)對(duì)類內(nèi)采用隸屬度表示數(shù)據(jù)集的緊致程度，而類間度量采用反貼近度方法，能夠有效克服采用歐氏距離作為重疊數(shù)據(jù)集和不規(guī)則數(shù)據(jù)集的度量指標(biāo)而引起的不準(zhǔn)確性。該方法既考慮了模糊劃分又結(jié)合了數(shù)據(jù)的分布特征，對(duì)聚類結(jié)果的評(píng)價(jià)更客觀，颶風(fēng)和赤潮以及其他數(shù)據(jù)集實(shí)驗(yàn)結(jié)果表明，該有效性指標(biāo)都能夠找出最佳聚