聚類的邊界點檢測算法研究.pdf

1、從大型數(shù)據(jù)集中發(fā)現(xiàn)有趣的，有用的且預先未知的知識的過程被稱為數(shù)據(jù)挖掘。數(shù)據(jù)挖掘又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是數(shù)據(jù)庫研究最活躍的領(lǐng)域之一。通過數(shù)據(jù)挖掘可以從大型數(shù)據(jù)集中提取可信、新穎、有效并易于理解的知識、規(guī)律或高層信息。這給人們在信息時代所積累的海量數(shù)據(jù)賦予了新的意義。隨著數(shù)據(jù)挖掘技術(shù)的迅速發(fā)展，作為其重要組成部分，聚類分析和孤立點檢測技術(shù)已經(jīng)廣泛應(yīng)用于模式識別、數(shù)據(jù)分析、圖象處理、市場研究等許多領(lǐng)域。聚類及孤立點檢測算法研究已經(jīng)成為數(shù)據(jù)挖

2、掘研究領(lǐng)域中非常活躍的一個研究課題。聚類的邊界點檢測有時比聚類分析和孤立點檢測更重要，但是聚類的邊界點檢測卻不及聚類分析和孤立點檢測受到重視。因此本論文重點對聚類的邊界點檢測算法進行了研究。 論文首先介紹了數(shù)據(jù)挖掘、聚類分析、孤立點檢測和聚類的邊界點檢測等基本理論以及幾種主要的聚類分析算法、孤立點檢測算法。本文詳細介紹了一種典型的聚類的邊界點算法BORDER，在實驗的基礎(chǔ)上討論了BORDER算法的優(yōu)缺點。針對BORDER算法時間

3、復雜度高和精度不高的不足，本文提出了三種不同的聚類的邊界點檢測算法：噪聲數(shù)據(jù)上的聚類邊界點算法BOUND、改進的BOUND算法BRIM和基于引力的聚類邊界點檢測算法GREEN。并利用對象的反向K-近鄰的性質(zhì)，提出一種新的孤立點檢測算法。在綜合數(shù)據(jù)集和真實數(shù)據(jù)集上做了大量的實驗來驗證算法的有效性，并用不同規(guī)模的綜合數(shù)據(jù)集來驗證算法的響應(yīng)時間。實驗結(jié)果表明：本文提出的三種邊界點檢測算法的精度和執(zhí)行效率均比BORDER算法高；本文提出的基于反