基于不確定數(shù)據(jù)的聚類算法研究.pdf

1、隨著信息技術(shù)的快速發(fā)展和廣泛應(yīng)用，人類社會在各個方面比如醫(yī)療衛(wèi)生、教育、社交網(wǎng)站、商場和購物網(wǎng)站等領(lǐng)域每時每刻都產(chǎn)生大量的數(shù)據(jù)。但是，由于物理測量的限制、周圍環(huán)境的干擾等因素，使得數(shù)據(jù)存在缺失、異常等情況，從而使得數(shù)據(jù)具有不確定性。不確定數(shù)據(jù)作為其中一種涌現(xiàn)出來的新型數(shù)據(jù)，近年來在各個研究領(lǐng)域獲得廣泛關(guān)注。
　　聚類分析是數(shù)據(jù)挖掘中的重要技術(shù)，廣泛應(yīng)用在商務(wù)智能、信息檢索、隱私保護和文本分析等領(lǐng)域。聚類就是將數(shù)據(jù)對象分組成為多個簇

2、，使得同一個簇中的數(shù)據(jù)對象之間具有較高的相似度，不同簇中的數(shù)據(jù)對象之間具有較高的相異度。以往的聚類算法主要針對確定性數(shù)據(jù)，不能直接適用于不確定數(shù)據(jù)，如何有效的處理不確定數(shù)據(jù)成為一個重要的研究課題。
　　本文的主要研究工作與貢獻如下：
　　1.針對數(shù)據(jù)挖掘的研究背景和意義、目標與內(nèi)容、國內(nèi)外研究現(xiàn)狀做簡要的介紹，并對不確定數(shù)據(jù)及其相關(guān)研究進行闡述；重點介紹數(shù)據(jù)挖掘中的重要技術(shù)—聚類，包括聚類的定義及模型、相似性度量方式、一些具

3、有代表性的聚類算法等；然后闡述相關(guān)的不確定數(shù)據(jù)聚類研究，為本文的主要工作做理論鋪墊。
　　2.傳統(tǒng)的聚類算法一般針對確定性數(shù)據(jù)，因而無法解決不確定數(shù)據(jù)的聚類問題?，F(xiàn)有基于密度的不確定數(shù)據(jù)聚類算法存在對參數(shù)過于敏感且計算效率較低的問題。本文在引進新的不確定性數(shù)據(jù)相異度函數(shù)、最優(yōu)k近鄰、局部密度和互包含關(guān)系概念的基礎(chǔ)上，提出了解決不確定數(shù)據(jù)聚類問題的OLUC算法。OULC算法不僅降低了參數(shù)敏感性，提高了計算效率，且具有動態(tài)自適應(yīng)優(yōu)化k

4、近鄰、快速發(fā)現(xiàn)聚類中心和除噪優(yōu)化的能力。實驗結(jié)果表明，本算法對無論是否存在噪聲的不確定數(shù)據(jù)集都具有聚類有效性，并達到良好的聚類效果。
　　3.鑒于現(xiàn)有算法缺乏從時序演化角度解決不確定數(shù)據(jù)流聚類問題，提出一種基于近鄰傳播的不確定數(shù)據(jù)流演化聚類算法EAP-UStream?？紤]不確定數(shù)據(jù)流在線形成微簇時的變化因素對離線聚類的影響，提出不確定微簇變化率的概念。從不確定數(shù)據(jù)流演化的角度衡量微簇之間的相似程度，提出不確定微簇關(guān)聯(lián)度的概念，并以