當(dāng)今社會隨著科技的進(jìn)步日新月異,互聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等技術(shù)時刻影響著人類的思維和生活,深刻展示了世界發(fā)展的前景�；ヂ�(lián)網(wǎng)的興起和信息數(shù)據(jù)的不斷累積推動著整個社會向大數(shù)據(jù)時代發(fā)展,數(shù)據(jù)在人們?nèi)粘Ｉ钪械姆椒矫婷姘缪葜匾慕巧?各行各業(yè)因為大幅爆發(fā)的數(shù)據(jù)正變得蒸蒸日上,數(shù)據(jù)已成為當(dāng)今社會發(fā)展的重要影響因子,而如何有效處理不斷龐大的數(shù)據(jù)成為時下數(shù)據(jù)挖掘領(lǐng)域的難題。聚類算法作為無監(jiān)督學(xué)習(xí)的一種方法,是數(shù)據(jù)挖掘中重要的工具,如今也成為科學(xué)研究領(lǐng)域的熱點問題。密度峰值算法（DPC:Density Peak Clustering）是一種新穎而有效的基于密度的聚類算法,于2014年在Science上發(fā)表。相比其它聚類算法,密度峰值算法在處理不同大小和密度的集群上具有獨特的優(yōu)勢,但DPC算法仍然存在一些不足:（1）決策圖的中心點選擇困難。由于部分具有復(fù)雜結(jié)構(gòu)的數(shù)據(jù)集,其聚類中心點在決策圖中辨識度不高,而DPC算法需要在決策圖中人為選擇聚類中心點,容易導(dǎo)致錯選或漏選現(xiàn)象;（2）異常點識別困難。DPC算法在數(shù)據(jù)集低密度區(qū)域難以有效處理樣本點,這也導(dǎo)致DPC無法識別異常點;（3）大型數(shù)據(jù)集處理過慢。DPC算... 

【文章來源】：吉林財經(jīng)大學(xué)吉林省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

密度峰值算法的決策圖中數(shù)據(jù)的分布情況

（c） = 2.1213 （d） = 3.2381圖 3.1 DPC 在不同 值下作用于 Flame 數(shù)據(jù)集無法識別異常點本章提出的基于引力理論的密度峰值算法是受到引力聚類算法[64]的啟發(fā)而來，在后文中稱之為 GDPC。根據(jù)表 3.1，我們將 GDPC 算法與 k-Means[65]，AP[66]

改進(jìn)K近鄰算法識別異常點過程

【參考文獻(xiàn)】：
期刊論文
[1]基于密度比例的密度峰值聚類算法[J]. 高詩瑩,周曉鋒,李帥.  計算機(jī)工程與應(yīng)用. 2017(16)
[2]基于粗糙集聚類算法的股票數(shù)據(jù)分析方法研究[J]. 楊娜,張艷敏.  科技經(jīng)濟(jì)市場. 2017(06)
[3]一種基于網(wǎng)格的密度峰值聚類算法[J]. 王飛,王國胤,李智星,彭思源.  小型微型計算機(jī)系統(tǒng). 2017(05)
[4]自動確定聚類中心的密度峰值算法[J]. 王洋,張桂珠.  計算機(jī)工程與應(yīng)用. 2018(08)
[5]基于密度峰值的快速聚類算法優(yōu)化[J]. 戴嬌,張明新,鄭金龍,蔣禮青,尚趙偉.  計算機(jī)工程與設(shè)計. 2016(11)
[6]一種融合K-means和快速密度峰值搜索算法的聚類方法[J]. 盛華,張桂珠.  計算機(jī)應(yīng)用與軟件. 2016(10)
[7]一種基于簇中心點自動選擇策略的密度峰值聚類算法[J]. 馬春來,單洪,馬濤.  計算機(jī)科學(xué). 2016(07)
[8]基于密度峰值搜索的改進(jìn)流形聚類算法[J]. 劉艷麗,張建朋.  計算機(jī)工程與設(shè)計. 2016(06)
[9]K近鄰優(yōu)化的密度峰值快速搜索聚類算法[J]. 謝娟英,高紅超,謝維信.  中國科學(xué):信息科學(xué). 2016(02)
[10]面向大數(shù)據(jù)的并行聚類算法在股票板塊劃分中的應(yīng)用[J]. 海沫,牛怡晗,張悅今.  大數(shù)據(jù). 2015(04)

博士論文
[1]基于模糊聚類算法的醫(yī)學(xué)圖像分割技術(shù)研究[D]. 張小峰.山東大學(xué) 2014

碩士論文
[1]群智能優(yōu)化算法在聚類分析中的研究[D]. 趙莉莉.江南大學(xué) 2016
[2]基于直覺模糊集的醫(yī)學(xué)圖像聚類分割[D]. 高小帆.中北大學(xué) 2016
[3]人工蜂群優(yōu)化模糊聚類研究及應(yīng)用[D]. 郭寶鋒.山東大學(xué) 2016
[4]人工魚群和k-means相結(jié)合的聚類算法研究與分布式實現(xiàn)[D]. 陳書會.江蘇大學(xué) 2016
[5]基于改進(jìn)人工蜂群的模糊C均值聚類算法研究[D]. 徐曼舒.安徽大學(xué) 2016
[6]基于半監(jiān)督模糊聚類的醫(yī)學(xué)圖像分割系統(tǒng)設(shè)計[D]. 樊萬姝.大連理工大學(xué) 2013
[7]基于蟻群聚類算法的股票板塊分類研究[D]. 張傳琦.復(fù)旦大學(xué) 2012
[8]基于時空聚類的車輛路徑分析與優(yōu)化[D]. 任麗.清華大學(xué) 2011



本文編號：3563448