近年來大數(shù)據(jù)、互聯(lián)網(wǎng)+以及云時(shí)代等概念的提出將數(shù)據(jù)挖掘技術(shù)推向了各行各業(yè),聚類作為數(shù)據(jù)挖掘的重要方法被廣泛應(yīng)用于各個(gè)領(lǐng)域。隨著數(shù)據(jù)規(guī)模的增大以及數(shù)據(jù)類型的多樣化、復(fù)雜化,傳統(tǒng)聚類算法面臨著嚴(yán)峻的挑戰(zhàn)。目前大多聚類算法都存在對(duì)參數(shù)依賴性高、計(jì)算量大的問題,針對(duì)這些問題,提出了一種高效的新型層次聚類算法。其次,現(xiàn)有聚類算法大多采用樣本間的距離作為相似性度量,該相似性度量方法存在度量不準(zhǔn)確、受噪音點(diǎn)影響大等問題。針對(duì)此類問題,提出了一種基于樣本分布的相似性度量方法,在該相似性度量的基礎(chǔ)上,提出了一種基于密度聚類和層次聚類的混合型聚類算法。本文的主要工作包括以下兩部分:1.提出了一種高效的新型層次聚類算法。該算法由分裂和合并兩階段組成,分裂階段將初始數(shù)據(jù)集作為一個(gè)類,通過多次分裂得到多于實(shí)際聚類數(shù)目的子類。在合并階段將分裂過程中多劃分的子類合并為正確的類。針對(duì)多數(shù)層次聚類算法計(jì)算量大的缺點(diǎn),在分裂階段提出一種根據(jù)統(tǒng)計(jì)樣本分布找到最佳分裂位置的方法,該方法準(zhǔn)確、高效并且避免了重復(fù)地計(jì)算樣本相似性矩陣,從而大大減少了計(jì)算量。在合并階段提出了一種帶有標(biāo)記檢測(cè)的合并策略,該策略通過在分裂階段中加入分裂...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 目前面臨的挑戰(zhàn)
    1.4 主要內(nèi)容及組織框架
第二章 基礎(chǔ)知識(shí)介紹
    2.1 聚類分析的基本概念
    2.2 相關(guān)度量和評(píng)價(jià)指標(biāo)
        2.2.1 樣本間相似性度量
        2.2.2 類相似性度量
        2.2.3 聚類評(píng)估標(biāo)準(zhǔn)
    2.3 常見聚類算法
        2.3.1 基于層次的聚類算法
        2.3.2 基于劃分的聚類算法
        2.3.3 基于密度的聚類算法
        2.3.4 基于網(wǎng)格的聚類算法
        2.3.5 基于模型的聚類算法
    2.4 本章小結(jié)
第三章 一種高效的新型層次聚類算法
    3.1 引言
    3.2 相關(guān)概念及定義介紹
    3.3 算法分析與實(shí)驗(yàn)結(jié)果
        3.3.1 算法性能分析
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于密度和層次的混合型聚類算法
    4.1 引言
    4.2 基于密度和層次的混合型聚類算法
        4.2.1 基于改進(jìn)快速密度峰算法的數(shù)據(jù)劃分方法
        4.2.2 基于自適應(yīng)聚合函數(shù)的聚合型層次聚類算法
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 算法時(shí)間復(fù)雜度分析
        4.3.2 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)和展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3750215