基于遗传算法的参数自适应数据流聚类算法研究

摘要

针对传统聚类算法自动获取密度阈值不够精确的问题，本文提出了一种密度网格内基于参数自适应的数据流聚类算法A-Stream。算法引入了“双密度阈值”策略；“双密度阈值”策略改变了传统使用单一密度阈值的方式。采用上、下两个密度阈值对簇进行更细化的划分。另外，算法充分考虑到了影响密度阈值计算的各个因素，所以在对密度阈值的具体计算过程中通过遗传算法进行了优化。实验结果证明A-Stream算法不但保留了传统密度网格算法的高效性，而且与传统的聚类算法相比提高了聚类精度。且具有良好的可行性和适应性。

目录

封面

关于论文使用授权的说明

致谢

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文的研究内容

1.4 论文组织结构

2 数据流聚类

2.1 数据流挖掘概述

2.2 数据流挖掘的支撑技术

2.3 数据流挖掘算法

2.4 传统的聚类方法

2.5 数据流聚类的发展

2.6 数据流聚类算法

2.7 数据流聚类的标准

2.8 本章小结

3 遗传算法研究

3.1 遗传算法

3.2 本章小结

4 基于遗传算法的参数自适应数据流聚类算法

4.1 问题的提出与分析

4.2 A-Stream相关概念

4.3 流程图

4.4 算法设计

4.5 本章小结

5 实验分析

5.1 实验环境及数据集

5.2 聚类精度分析

5.3 聚类效率分析

5.5 本章小结

结论

参考文献

作 者 简 历

声明

学位论文数据集