基于数据流的模糊聚类算法分析与优化

摘要

近年来，随着科技的不断发展，产生了一种不同于传统概念的数据，这些数据是动态的、高速的、海量的、实时连续的，我们称这种新型数据为数据流。在如无线传感器网络、网络入侵检测、金融分析市场等众多领域中数据流都扮演着十分重要的角色。而聚类分析作为一种极有效地数据分析工具已成为数据挖掘研究领域中的一个研究热点，通过对数据进行聚类分析，发现海量数据中隐含的有价值的信息。目前许多的聚类算法都是针对传统数据集的处理，但由于数据流自身的特点，使传统的聚类算法在数据流的处理上显现出了许多的不足。因此迫切需要设计出能够更好的处理数据流的聚类算法。
　　本文首先介绍了模糊C均值聚类算法，但由于该算法是一种局部搜索算法，若选择不当的初始值，则会使算法最终得到一个局部最优解。针对模糊C均值聚类算法的不足之处，提出了一种基于遗传模拟退火优化的模糊聚类算法（GSA_FCM），该算法可用于聚类数据流，且通过权值的衰减降低了历史数据对聚类结果的影响，并将遗传模拟退火算法和模糊C均值聚类算法相结合，使其能够较快的收敛于全局最优解，同时克服了系统对初始聚类中心的敏感度，并通过实验表明GSA_FCM算法的聚类质量更加可靠。最后本文将数据点的局部空间信息纳入考量中，提出了一种基于多目标模拟退火优化的模糊聚类算法（AMOSA_FCM）。该算法也可用于聚类数据流，且有效地降低了噪声点对于聚类质量的影响，同时能够获得更加准确的簇边缘，最后通过实验对比了算法的性能。

目录

声明

第1章 绪论

1.1 研究背景

1.2 研究意义

1.3 研究现状及面临的挑战

1.4 本文的研究内容

1.5 本文组织

第2章 数据流理论基础

2.1 数据流的特点

2.2 数据挖掘基本流程

2.3 数据流挖掘概述

2.4 本章小结

第3章 聚类分析算法研究

3.1 聚类的分类

3.2 模糊聚类理论基础

3.3 模糊聚类的应用研究

3.4 数据流聚类算法概述

3.5 本章小结

第4章 基于数据流的模糊聚类算法

4.1 相关定义

4.2 相关算法介绍

4.3 改进的数据流模糊聚类算法

4.4 实验结果及性能分析

4.5 本章小结

第5章 基于模糊聚类的数据流多目标优化算法

5.1 多目标算法理论

5.2基于多目标模拟退火优化算法

5.3 基于多目标模拟退火优化的模糊聚类

5.4 实验结果及性能分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文

致谢