實用分級聚類算法的研究及其應(yīng)用.pdf

1、作為社會信息化、數(shù)據(jù)爆炸式增長的一種產(chǎn)物，數(shù)據(jù)挖掘具有發(fā)現(xiàn)數(shù)據(jù)中隱含信息的功能，能有效的從混亂無章的數(shù)據(jù)中提煉有用知識。聚類分析是一種無監(jiān)督的學(xué)習(xí)方式，能有效發(fā)現(xiàn)數(shù)據(jù)自身的固有屬性，也是數(shù)據(jù)挖掘的重要組成部分。隨著聚類分析算法大量深入的研究，其理論價值和實際應(yīng)用價值日益凸顯，受到科研工作者和技術(shù)從業(yè)者的廣泛關(guān)注。
　　聚類分析算法主要包含以下幾種:基于劃分的聚類、層次聚類、基于密度的聚類、基于模型的聚類等。每一種聚類算法都有其特定

2、的適用領(lǐng)域，沒有一種聚類算法能夠適應(yīng)多種數(shù)據(jù)類型以及應(yīng)用領(lǐng)域。針對這一現(xiàn)狀，本文提出了一種相對能適合多種數(shù)據(jù)類型及應(yīng)用領(lǐng)域的實用分級聚類算法，通過理論分析和實例應(yīng)用驗證了算法的有效性。本文所做工作如下:
　　1.研究聚類分析的典型算法，分析了典型聚類算法所存在的優(yōu)缺點，重點分析了K-means算法以及DBSCAN（Density-Based Spatial Clustering of Applications with Noise

3、）算法的聚類原理以及優(yōu)缺點。最后，從多種角度分析了聚類算法的要求以及算法是否有效的評價指標。
　　2.針對K-means算法以及DBSCAN算法的缺陷，提出了一種實用分級聚類算法。算法引入數(shù)據(jù)競爭以及聯(lián)系性權(quán)重，將聚類過程分為小簇劃分和小簇合并兩級。競爭思想和聯(lián)系性權(quán)重的引入保證了小簇合并的合理性。
　　3.針對五種不同類型的二維人工數(shù)據(jù)集，利用Matlab實驗平臺從聚類準確度、聚類時間、能否處理凸狀和非凸狀等復(fù)雜數(shù)據(jù)類型等

4、角度以及評價聚類有效性的外部準則驗證了所提實用分級聚類算法的有效性和實用性。最后在高維、公開的鳶尾花數(shù)據(jù)集上驗證了算法對于高維數(shù)據(jù)的聚類準確性。
　　4.將本文提出的實用分級聚類算法同主元分析(PCA)結(jié)合，提出PCA-分級聚類算法。將實用分級聚類算法以及PCA-分級聚類算法運用到冠心病病理數(shù)據(jù)以及肝炎病理數(shù)據(jù)中，驗證了本文提出的實用分級聚類算法和PCA-分級聚類的有效性，同時實用分級聚類算法和PCA-分級聚類能夠發(fā)現(xiàn)病理數(shù)據(jù)中隱