多维数据集聚类算法研究与实现

摘要

聚类分析在数据挖掘理论和应用中都是一个非常必要的部分,是一种数据划分或分组处理的重要手段和方法.到目前为止,已有大量的数据挖掘聚类算法被提出来,其中很多聚类算法都有非常成功的应用.但是,它们主要继承多元统计分析学和模糊数学的结论,即主要是基于距离和阈值的各种聚类算法和改进算法.很多时候需要人为干预,需要行业知识、领域专家等因素的介入,大多数算法对混合型属性数据力不从心.尤其在商务决策、市场分析、刑侦破案、知识发现、生物学、Web文档分类等领域,需要新的适合于混合型属性数据的聚类算法,该课题就是在此背景下被提出来.论文首先研究了具有代表性几种多维聚类算法,比如,硬聚类划分、软聚类划分和可能性聚类.这些算法一般最终都必须引入一个阈值才能确定类别,而实际上,这种阈值往往没有一个标准,这为用户增加了灵活性,但也增大了它的随意性,这正是此类算法的缺点所在.为此,提出了新的基于划分的聚类算法,该算法基于这样的核心思想:具有许多相同主要属性的有效集合是比较相近的,大致可以划分一类,即

目录

文摘

英文文摘

独创性说明及关于论文使用授权的说明

1绪论

1.1课题背景及选题意义

1.2国内外研究现状概述

1.3论文的主要内容

2数据挖掘技术中的聚类分析

2.1数据挖掘技术

2.1.1数据挖掘的定义

2.1.2数据挖掘的分类

2.1.3数据挖掘和数据库中知识发现的区别

2.1.4数据挖掘过程

2.2聚类分析相关技术

2.2.1聚类分析的定义

2.2.2聚类分析的分类

2.2.3聚类分析的相关技术

2.2.4聚类分析的研究方向

2.2.5聚类分析的应用

3主要代表算法研究

3.1硬聚类算法

3.1.1基于距离的聚类算法

3.1.2基于划分的聚类算法

3.1.3基于距离演化的聚类算法

3.2软聚类算法

3.2.1基于欧氏距离的模糊C-球壳聚类算法

3.2.2模糊C-球壳聚类算法的性能分析

3.2.3基于距离修正的模糊C-球壳聚类算法

3.3可能性聚类算法

3.3.1可能性理论及其性质

3.3.2可能性匹配

3.3.3可能性聚类分析

4基于划分的新算法实现

4.1算法的核心思想

4.2算法的相关知识

4.3算法的基本原理

4.4算法的主要步骤

4.4.1算法描述

4.4.2算法步骤

4.5算法的具体实现

4.6新算法与经典划分算法的对比

4.6.1两种聚类算法的性能对比

4.6.2两种聚类算法的性能分析

4.7实验结果

结 论

参考文献

在学研究成果

致 谢