N-δ滑动窗口模型下的优化数据流聚类算法

摘要

本文主要做了以下工作： (1)在CluStream算法基础上从三个方面定义了算法结构，即：计算分类，合并及维护OTCF结构，聚类结果三个过程。首先定义了OTCF结构，优化了已有的算法聚类特征结构。通过引入参数t*，定义了在对多维流数据处理时需要处理过期数据的淘汰机制，通过计算参数t*对即将到达的数据流进行实时的处理，并对已过期的数据进行淘汰，从而释放内存空间，堤高算法的内存使用率及处理效率。 (2)在数据流处理过程中定义了一种N-δ窗口模型，滑动窗口处理机制中窗口大小可以随着参数δ的不同而改变。最后，在此基础上改进了基于滑动窗口模型的优化数据流聚类算法，从而高效应用于实时数据流模型中，并广泛地应用于诸领域中。 (3)实验数据采用某电信公司的部分数据，使用Java程序设计语言以及SQL Server数据库实现了算法，并分析了算法处理结果。 聚类结果表明基于N-δ滑动窗口模型下的优化算法降低了算法复杂度，提高了内存使用率，并获得了比较准确的聚类质量。理论分析及实验表明，滑动窗口模型下的数据流优化聚类算法提高了计算速度，在聚类质量上优于界标模型下的算法。同时，在计算复杂度上优于现有的一些算法。将其应用于数据流诸多领域中，可在很大程度上提高其工作效率。

目录

文摘

英文文摘

声明

第一章引言

1.1研究背景

1.1.1数据挖掘

1.1.2聚类算法

1.1.3算法模型

1.2研究现状

1.2.1问题模型

1.2.2流数据聚类算法研究现状

1.2.3流数据聚类算法研究的目的及意义

1.3本文工作

1.4内容组织

第二章流数据挖掘

2.1流数据及其特点

2.2流数据挖掘与传统数据挖掘比较

2.2.1流数据挖掘

2.2.2流数据挖掘与传统数据挖掘过程对比

2.3流数据挖掘模型

2.3.1基于界标模型(1andmark model)的方法

2.3.2基于滑动窗口模型(sliding window model)的方法

2.4流数据聚类模型发展与应用

2.4.1 CluStream数据流聚类算法

2.4.2流数据聚类模型应用

2.5本章小结

第三章N-δ滑动窗口模型下的优化聚类算法

3.1基本理论

3.1.1数据流聚类

3.1.2聚类分析中的混合类型变量

3.2问题提出

3.3N-δ模型下的算法结构

3.3.1优化指数直方图

3.3.2优化聚类特征结构

3.3.3微簇

3.3.4聚类特征指数直方图的合并

3.3.5N-δ滑动窗口模型

3.4N-δ窗口模型下的优化聚类算法

3.4.1数据流挖掘对聚类的要求

3.4.2 OpClAlg优化算法设计

3.5本章小结

第四章算法实现

4.1算法结构

4.4.1计算分类

4.4.2 OTCF结构维护过程

4.2算法实现

4.2.1实验工具

4.2.2数据准备

4.2.3算法实现

4.3算法效率分析

4.4本章小节

第五章数据流聚类算法在电信中的应用

5.1电信背景

5.1.1电信现状

5.1.2客户分析

5.1.3商业理解

5.2应用模型设计

5.3本章小结

第六章结论与展望

6.1工作总结

6.2展望

参考文献

致谢

攻读学位期间发表的学术论文目录