面向聚類的數(shù)據(jù)可視化方法及相關(guān)技術(shù)研究.pdf

1、數(shù)據(jù)挖掘是在海量的數(shù)據(jù)中提取隱含的、未知的、潛在有用的知識(shí)或信息模式的數(shù)據(jù)處理方法，是20世紀(jì)90年代初為解決“數(shù)據(jù)豐富、知識(shí)貧乏”問(wèn)題應(yīng)運(yùn)而生的一種新技術(shù)。但是，數(shù)據(jù)挖掘的過(guò)程非常耗時(shí)，算法相對(duì)復(fù)雜，常常會(huì)發(fā)現(xiàn)大量的無(wú)用的知識(shí)，且容易出現(xiàn)偏差和錯(cuò)誤。因此，需要采用有效的方法更清晰地觀察數(shù)據(jù)的分布結(jié)構(gòu)，了解數(shù)據(jù)之間的相互關(guān)系及發(fā)展趨勢(shì)，理解數(shù)據(jù)挖掘的過(guò)程和結(jié)果。數(shù)據(jù)可視化技術(shù)成為解決這一問(wèn)題的新的且有效的途徑，已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域的研究

2、熱點(diǎn)。數(shù)據(jù)可視化利用散點(diǎn)圖、樹(shù)圖、曲線、曲面等圖形圖像來(lái)顯示多維的非空間數(shù)據(jù)，用形象直觀的圖像來(lái)指引數(shù)據(jù)挖掘的過(guò)程，使用戶加深對(duì)數(shù)據(jù)含義的理解，加快獲取知識(shí)的速度。 聚類分析是數(shù)據(jù)挖掘的一項(xiàng)重要功能，特別對(duì)高維數(shù)據(jù)分析具有很大優(yōu)勢(shì)。本文以聚類算法為基礎(chǔ)，總結(jié)和分析現(xiàn)有的數(shù)據(jù)可視化方法，圍繞著新的面向聚類的數(shù)據(jù)可視化技術(shù)、聚類分析的過(guò)程及結(jié)果可視化技術(shù)、可視化聚類分析交互技術(shù)等方面，進(jìn)行深入且細(xì)致的研究。本文的主要工作如下：(1)

3、雖然數(shù)據(jù)可視化方面已提出了很多方法，但是對(duì)數(shù)據(jù)可視化仍然沒(méi)有明確的界定。本文對(duì)數(shù)據(jù)可視化同可視化、科學(xué)計(jì)算可視化、信息可視化的關(guān)系及應(yīng)用范疇作了明確的劃分。詳細(xì)、系統(tǒng)地介紹了主要的數(shù)據(jù)可視化方法，通過(guò)對(duì)這些方法和技術(shù)的介紹，可以對(duì)數(shù)據(jù)可視化的作用、運(yùn)用范圍、區(qū)別于其他可視化技術(shù)的特點(diǎn)等方面有更深入的認(rèn)識(shí)，這是進(jìn)一步研究的基礎(chǔ)。 (2)現(xiàn)存的聚類算法眾多，其中包括基于劃分的聚類算法和基于層次的聚類算法等。本文在研究了現(xiàn)有的幾種聚類

4、算法，發(fā)現(xiàn)一些算法有的對(duì)臟數(shù)據(jù)敏感；有的雖不敏感，但計(jì)算量大，只適用于小規(guī)模數(shù)據(jù)量。針對(duì)這些問(wèn)題本文提出了一種基于主次屬性劃分的聚類方法和一種新的數(shù)據(jù)可視化方法。利用數(shù)據(jù)的主屬性和次屬性的特征值對(duì)數(shù)據(jù)集進(jìn)行聚類。實(shí)驗(yàn)表明，本方法算法簡(jiǎn)單、容易實(shí)現(xiàn)。 (3)提出一種利用彩色刺激光譜投影到RGB顏色空間的原理，通過(guò)色度學(xué)中麥克斯韋的三角平面坐標(biāo)色度圖對(duì)各聚類結(jié)果進(jìn)行可視化顯示。實(shí)驗(yàn)表明，通過(guò)用這種多維數(shù)據(jù)的可視化方法對(duì)聚類結(jié)果進(jìn)行可

5、視化，有利于用戶全面的理解數(shù)據(jù)，為數(shù)據(jù)的預(yù)測(cè)、決策起到重要作用。 (4)一些聚類算法需要預(yù)先確定聚類個(gè)數(shù)、迭代次數(shù)或終止條件，而這些參數(shù)在聚類之前很難確定。本文針對(duì)這個(gè)難點(diǎn)提出一種基于近鄰方法的聚類算法及其可視化方法。該算法時(shí)間復(fù)雜度低，聚類結(jié)果精確，聚類過(guò)程中能夠發(fā)現(xiàn)同類對(duì)象之間的相異程度，而這一點(diǎn)許多算法達(dá)不到。同時(shí)，需要輸入的參數(shù)可以很容易的估算，能夠發(fā)現(xiàn)孤立點(diǎn)，發(fā)現(xiàn)任意的形狀的聚類。最后，用2Dand3Dscatterp

6、lots對(duì)聚類結(jié)果進(jìn)行了可視化，增加了直觀性、可理解性。 (5)Chernoff臉譜圖是一種有效的數(shù)據(jù)可視化技術(shù)。但Chernoff臉譜圖在進(jìn)行臉部容貌對(duì)應(yīng)變量的分配時(shí)，不同作圖者會(huì)有不同的選擇，從而產(chǎn)生不同的分類結(jié)果，這樣對(duì)數(shù)據(jù)的分析就會(huì)產(chǎn)生歧異。本文對(duì)Chernoff臉譜圖的這一缺點(diǎn)提出了一種改進(jìn)的方法。在繪臉譜圖之前，利用主成分分析方法，提取原變量的主成分，將原變量的協(xié)方差進(jìn)行重新分配，將變異最大的指標(biāo)分配到臉的最敏感部位

7、，最后進(jìn)行繪圖。實(shí)驗(yàn)表明該方法的聚類結(jié)果與聚類分析的聚類結(jié)果非常相似，改進(jìn)了臉譜圖繪圖法，使臉譜圖的變量分配問(wèn)題變得較為簡(jiǎn)單并且可以得到較好的聚類結(jié)果。 (6)平行坐標(biāo)數(shù)據(jù)可視化技術(shù)是高維數(shù)據(jù)分析的常用工具。本文對(duì)此技術(shù)在聚類分析方面的應(yīng)用進(jìn)行了深入研究，針對(duì)傳統(tǒng)平行坐標(biāo)數(shù)據(jù)可視化方法的不足進(jìn)行了改進(jìn)，采用了動(dòng)態(tài)平均線、標(biāo)準(zhǔn)偏差和聚類之間相關(guān)系數(shù)三種方法，實(shí)現(xiàn)了一種動(dòng)態(tài)基于平行坐標(biāo)可視化聚類分析方法。特別是，實(shí)現(xiàn)了一種直接操縱平

8、行坐標(biāo)的方法。增強(qiáng)了傳統(tǒng)平行坐標(biāo)數(shù)據(jù)可視化方法的交互性、實(shí)用性、信息反饋的即時(shí)性。 (7)可視化技術(shù)產(chǎn)生的數(shù)據(jù)圖像，有個(gè)很大的缺點(diǎn)就是圖像特征不明顯，如一幅有噪聲的圖像，干擾使用者對(duì)數(shù)據(jù)主要特征的把握。那么能否利用已有的計(jì)算機(jī)圖像處理技術(shù)，對(duì)已產(chǎn)生的數(shù)據(jù)圖像進(jìn)行再處理，消除數(shù)據(jù)圖像上的噪音，以致增強(qiáng)挖掘得到的數(shù)據(jù)圖像可讀性，幫助用戶從數(shù)據(jù)集中挖掘出新穎的、未知的信息和模式。本文提出了一種支持可視化數(shù)據(jù)挖掘方法的計(jì)算機(jī)圖像處理技術(shù)