学位论文 > 优秀研究生学位论文题录展示

一种基于密度的动态参数单元聚类算法

作　者: 鲍洪庆
导　师: 石冰
学　校: 山东大学
专　业: 计算机软件与理论
关键词: 数据挖掘聚类密度动态参数 DNF.
分类号: TP301.6
类　型: 硕士论文
年　份: 2005年
下　载: 138次
引　用: 4次
阅　读: 论文下载

内容摘要

本文讨论数据挖掘中聚类的相关概念、技术和算法,在对常见聚类算法进行评价的基础上,针对密度聚类的参数选取问题,提出了一种动态参数解决方案。目前已提出的聚类算法中,基本上都是基于“距离”的概念,不管是传统的欧氏几何距离还是其它意义上的距离,如常见的k-means、k-medoids算法,这类算法的缺点在于处理大数据集和高维数据集时不够有效,另一方面它能发现的聚类个数常常依赖于用户参数的指定,而这对用户来说经常是很困难的。本文针对聚类算法中参数选取的问题,对参数选取问题给出了一种解决办法,提出了一种动态计算参数的算法。本文讨论的算法与已有算法的根本不同在于,它抛弃了距离的概念,采取一种新的思路,是一种基于密度的动态参数的单元聚类算法,它的优点在于能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;另一方面它能很好的处理高维数据和大数据集的数据表格。算法将最后的结果用DNF的形式表示出来。

全文目录

摘要  4-5
ABSTRACT  5-6
1 引言  6-14
  1．1 问题研究的背景  6-7
  1．2 数据挖掘的研究意义  7-12
  1．3 本文的主要工作  12-14
2 聚类算法研究  14-31
  2．1 聚类分析算法  14-17
  2．2 算法性能的比较框架  17-22
    2．2．1 算法的比较标准  17-18
    2．2．2 数据变换与分类尺度  18-22
  2．3 对常见聚类算法的分析  22-29
    2．3．1 划分方法的特点及其问题  22-26
    2．3．2 层次方法及其问题  26-27
    2．3．3 基于密度的聚类算法的特点  27-28
    2．3．4 基于网格的聚类算法的特点  28
    2．3．5 基于模型的方法的特点  28-29
    2．3．6 模糊聚类方法的特点  29
  2．4 对以上算法问题的总结及横向比较  29-31
3 基于密度的动态参数聚类方法  31-46
  3．1 若干定义及定理  31-34
  3．2 算法中的数据预处理  34-35
  3．3 动态参数的确定  35-37
  3．4 数据点密度的识别问题  37-38
  3．5 算法描述  38-45
  3．6 算法的特点  45
  3．7 本章小结  45-46
4 结束语  46-48
参考文献  48-51
致谢  51-52
攻读学位期间发表的主要学术论文  52-53
学位论文评阅及答辩情况表  53

一种基于密度的动态参数单元聚类算法

内容摘要

全文目录

相似论文