基于同步理论的大规模数据聚类算法分析及应用研究

摘要

近年来，随着数据存储技术的飞速发展，各行各业均积累了宝贵的海量数据。那么如何高效利用“沉淀数据”辅助决策制定，进而推动经济社会发展业已成为亟需解决的问题。数据挖掘技术作为解决此类问题的有效方法，已经日臻成熟。它通过运用分类、预测、关联规则挖掘、聚类等多种分析方法获取大量数据中所隐藏的有用信息和知识。其中，聚类分析作为一种基础的数据挖掘方法，有着广阔的应用场景。在数据处理方面，它能够获取数据中所蕴含的知识模式对数据进行压缩。同时，在客户群划分、动植物种群分类、地理数据分析等众多业务领域也有广泛应用。因此，本文综合分析了国内外聚类分析方法的研究现状，并从复杂网络的角度出发，对基于同步理论的大规模数据聚类算法及其应用进行了深入研究，主要工作如下：
　　1.结合聚类分析方法的基本工作流程，深入分析了聚类方法中常用的相似性度量指标和结果评价方法；根据聚类算法的不同思想，按照基于划分、基于层次、基于密度、基于模型的划分标准，总结了常见的聚类算法，并指出了各类算法的应用场景及相关代表性算法的具体流程；详细阐释了同步振子聚类算法的理论基础和算法的工作流程。
　　2.研究了基于同步理论的金融网络社团检测。从股票市场入手，利用股票价格波动序列的相关性，计算股票关联矩阵。通过对股票关联矩阵的谱分析确定网络中是否存在相应的社团结构。然后，运用同步聚类算法对股票集合进行动态划分，由同步序参量确定算法收敛与否，以获取与数据集相适应的社团结构。在与快速社团检测算法进行对比实验后发现，基于同步理论的检测算法不仅能够获取正确的股票集合划分结果，且更符合股票行业分类。
　　3.运用基于同步理论的聚类分析方法，结合视觉任务态下皮层神经元的脑电活动数据，研究了特定任务态下的脑网络功能连通性。根据脑电信号(electroencephalogram, EEG)采集实验的特点，对数据进行了相关预处理。然后，利用符号聚合近似(Symbolic Aggregation approximation，SAX)算法度量其相似性。最后，运用同步聚类算法获取脑皮层区域的划分结果，进而通过研究皮层区域的相关性来分析功能连通性。综合Brodmann分区方案的解剖聚类结果研究发现，同步检测算法能够准确揭示“视觉选择性关注实验”所涉及的皮层功能区，以及相应的功能连通性结构。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究工作的背景与意义

1.2国内外研究现状

1.3本文的主要贡献与创新

1.4本论文的结构安排

第二章 相关技术基础

2.1数据聚类

2.2基于划分的数据聚类算法

2.3基于层次的数据聚类算法

2.4基于密度的数据聚类算法

2.5基于模型的数据聚类算法

2.6本章小结

第三章 基于同步理论的金融网络社团检测研究

3.1问题提出及相关研究

3.2相关算法

3.3实验设计

3.4实验结果分析

3.5本章小结

第四章 基于同步理论的视觉任务下脑网络功能连通性研究

4.1相关研究及问题提出

4.2相关算法

4.3实验设计

4.4实验结果分析

4.5本章小结

第五章 总结与展望

5.1总结

5.2展望

致谢

参考文献

攻读硕士学位期间取得的成果