数据挖掘中聚类方法的研究

《数据挖掘中聚类方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文摘要面对大规模的、高维数据，如何建立有效、可扩展的聚类数据挖掘算法是数掘挖掘领域的一个研究热点。围绕以卜问题，本文对聚类算法进行了深入研究，主要包括以下几个方面的内容：通过对Kohonen自组织映射模型(sOFM)及其主要改进模型的分析，提出一种树形动态生长自组织模型。其网络结构在训练中动态生成，克服了SOFM网络结构固定化的限制；所生成的网络结点数目远远低于传统的SOFM及动念增长自组织映射模型(GSOM)，所需训练周期少，训练效率高；用扩展因子(SF)来控制网络的生长速度，可得到精度不同的聚类结果：由用户选取不同的sF值和输入样本

2、集可以实现数据集的层次聚类。针对基于密度和基于网格聚类方法的缺点，提出一种基于网格、密度及距离的综合聚类方法。通过仿真实验并与现有聚类算法的比较，陔方法能U!别任意形状、大小、不同密度的类；能有效过滤噪声数据；参数设置简单，无需预先给定聚类个数；具有近似线性时间复杂度，执行效率高，适合大规模数据的聚类问题。针对现有层次聚类方法的缺点，提出一种层次聚类方法。该方法首先采用划分方法将数据分成原子簇，然后以这些原子簇为基础，实行自底向上[I"0层次聚类得到最终的聚类结果。其可识别任意形状、大小的类，过滤“噪声”数据：具有近似线性时间复杂度，算法

3、执行效率高，适合大规模数据的聚类问题。将代表点思想与神经网络技术相结合，提出一种基于代表点、密度和丰『

4、l经网络的综合聚类方法。其首先使用代表点来描述数据空问的几何特征，然后将代表点的位置与密度信息同时作为神经网络的输入，通过网络训练得到聚类结果。该方法即继承了代表点方法聚类能力强的特点，而且由于使用了可视化sOFM(viSOM)网络模型，聚类结果的可视性效果好。关键词：数据挖掘，聚类，SOFM，密度方法，网格方法，层次力浊ABSTRACTFacingthemassivevolumeandhighdimensionaldatahowtob

5、uildeffectiveandscalableclusteringalgorithmfordataminingisoneofresearchdirectionsofdatamining．Aimingataboveissues，someclusteringalgorithmshavebeenstudiedsubstantially8,Sfollows：ATree·structuredGrowingSelf-OrganizingM印(TGSOM)modelispresentedasanextendedversionoftheSelf-Org

6、anizingFeatureMap(SOFM)，whichhasadynamicstructuregeneratedduringthetrainingprocess．ExperimentsshowthatthismodelCanachievehierarchicalclusteringofadataset，andrequirefewernodestorepresentthedatasetandlessprocessingtimecomparedwithSOFMandGrowingSelf-OrganizingMap(GSOM)．Aclus

7、teringalgorithm(CUBN)ispresented，whichintegratesdensity—based，gird-basedanddistance—basedclusteringmethods．TheexperimentalresultsshowthatCUBNCanidentifyclustershavingnon—sphericalshapesandwidevariancesinsize，anditscomputationalcomplexityislinear—time，SOthealgorithmfacilit

8、atestheclusteringofaverylargedataset．Aclusteringalgorithm(CMM)ispresented，whichismorerobusttooutliers，andCanidentifyclustershavingnon—sphericalshapesandwidevariancesinsize．CMMachievesthosebyrepresentingeachclusterusingmultiplemedoids．CMMisalsoalinear—timeclusteringalgorit

9、hm，andtherefore，itfacilitatestheclusteringofaverylargedataset．Aclusteringalgorithm(RDVS)ispresen