并行聚類算法的研究與實(shí)現(xiàn).pdf

1、隨著經(jīng)濟(jì)和社會(huì)的飛速發(fā)展，各行各業(yè)的計(jì)算機(jī)應(yīng)用變得非常普遍，積累了大量的歷史業(yè)務(wù)數(shù)據(jù)，并且隨著時(shí)間的增長，數(shù)據(jù)量還在不斷的膨脹，面對(duì)這種海量數(shù)據(jù)，或者說是數(shù)據(jù)資產(chǎn)，傳統(tǒng)數(shù)據(jù)挖掘算法難以滿足對(duì)數(shù)據(jù)分析的需求。尤其是對(duì)于對(duì)時(shí)間有嚴(yán)格要求的數(shù)據(jù)挖掘任務(wù)，計(jì)算必須在“合理”的時(shí)間內(nèi)完成。如地震后遙感衛(wèi)星圖的分析任務(wù)，如果在一個(gè)星期后才能得到結(jié)果，則早已經(jīng)錯(cuò)過了黃金營救時(shí)間。對(duì)于天氣預(yù)報(bào)來說，花兩天時(shí)間來獲取當(dāng)?shù)氐诙炀_的天氣預(yù)報(bào)將使得這種預(yù)報(bào)

2、毫無意義。傳統(tǒng)的數(shù)據(jù)挖掘算法無法短時(shí)間內(nèi)挖掘出結(jié)果，結(jié)合并行計(jì)算技術(shù)是解決問題的出路。為了解決這種海量數(shù)據(jù)的聚類問題，必須從理論上及算法上對(duì)并行聚類進(jìn)行深入研究。
　　 為了實(shí)現(xiàn)并行聚類，首先，研究了基于密度和密度可達(dá)聚類算法( ClusteringAlgorithm Based on Density and Density reachable，簡稱CADD)和基于密度和密度可達(dá)增量聚類算法(Incremental Cluste

3、ring Algorithm Based on Density and Densityreachable，簡稱ICADD)的實(shí)現(xiàn)過程，分析了其并行的可能性，在此基礎(chǔ)上，對(duì)這兩個(gè)算法進(jìn)行了改進(jìn)：第一，改進(jìn)密度和半徑計(jì)算算法，避免多次遍歷數(shù)據(jù)庫；第二，在Linux平臺(tái)下C語言編程實(shí)現(xiàn)了對(duì)BMP圖像實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理。
　　 其次，在CADD和ICADD算法改進(jìn)的基礎(chǔ)上，提出了基于密度和密度可達(dá)并行聚類算法( Parallel Clu

4、stering Algorithm based on Density and adaptive Densityreachable，簡稱PCADD)，主要研究了兩方面的內(nèi)容：(1)在基于數(shù)據(jù)并行的聚類算法下，聚類結(jié)果受進(jìn)程數(shù)量的影響，聚類效果不是很好；(2)根據(jù)該算法的特點(diǎn)，設(shè)計(jì)了任務(wù)和數(shù)據(jù)結(jié)合的并行聚類算法后，聚類效果很好，與CADD聚類結(jié)果一致。此外，還分析了等量劃分?jǐn)?shù)據(jù)和根據(jù)負(fù)載動(dòng)態(tài)劃分?jǐn)?shù)據(jù)方式的優(yōu)點(diǎn)和缺點(diǎn)。
　　 理論和實(shí)