空間對象和移動對象聚類算法研究.pdf

1、聚類分析作為數(shù)據(jù)挖掘的一個重要研究分支,根據(jù)在數(shù)據(jù)中發(fā)現(xiàn)的描述對象及其關系的信息,依據(jù)各簇內(nèi)對象相似性最大化和各簇間對象相似性最小化的基本聚類分析原則,將對象劃分為緊密且獨立的簇集。目前,由于各應用數(shù)據(jù)庫中的數(shù)據(jù)越來越大,聚類分析已廣泛應用于各種研究領域,成為數(shù)據(jù)挖掘領域中一個非?；钴S的研究課題。隨著數(shù)據(jù)收集技術、計算機網(wǎng)絡和數(shù)據(jù)庫技術的飛速發(fā)展,各種復雜類型的數(shù)據(jù)有了爆炸性的增長,因此迫切需要對復雜數(shù)據(jù)類型探索新的數(shù)據(jù)挖掘技術。本文對

2、空間非移動對象聚類和移動對象軌道聚類這兩個問題進行研究,從改善空間非移動對象聚類效果、移動對象聚類效果、提高算法時間復雜度和減少輸入?yún)?shù)敏感性等角度對其中急需解決的問題進行了研究,主要工作如下:
　　 (1)根據(jù)空間對象的鄰域、反鄰域和局部密度構造了基于鄰域的局部異常因子,提出了一種基于微簇的對稱鄰域聚類算法BMSNC。BMSNC首先運用經(jīng)典的聚類算法將原數(shù)據(jù)集進行聚類產(chǎn)生一定量的微簇,然后將每一個微簇的中心代表這整個微簇,通過

3、對稱鄰域聚類算法在進一步進行聚類。該算法能有效快速的對大數(shù)據(jù)集進行聚類分析,并且解決了不能從大的、稀疏的聚類中識別出小的、稠密的鄰近聚類這一缺陷,這就使得聚類結果的準確度大大提高。在真實和合成數(shù)據(jù)集上的實驗結果表明,BMSNC是可行、有效的。
　　 (2)k-近鄰算法的結果依賴于距離度量的選取,這種距離通常涉及所有的特征,在距離公式中引入一些特征權參數(shù)后,其聚類結果將依賴于這些權值,從而可以通過調(diào)整這些權值來優(yōu)化聚類結果。本文根

4、據(jù)一種學習權值算法以改進聚類準確率提出了基于加權鄰域聚類算法BWNC,BWNC就是為每一個屬性加一個特征權參數(shù),讓不同的屬性在聚類中起不同的作用。從數(shù)學意義上講,這種權值學習相當于歐氏空間中對一組點進行線性變換。不僅對每個屬性學習權值,而且可以對每一個測試樣本點的近鄰基于它們到測試點的距離進行加權,通過實驗表明該算法能很大程度上使得聚類結果更加準確、有意義。
　　 (3)在已有的軌道聚類算法TRACLMS基礎上,提出了一種基于對