目前,數(shù)據(jù)呈現(xiàn)出海量性以及多樣性,給數(shù)據(jù)挖掘和聚類分析帶來了極大困難,另外真實(shí)數(shù)據(jù)中往往存在著不確定性,這種不確定性使得挖掘出有價(jià)值的信息變得更加困難。所以,近年來,如何能有效的從不確定數(shù)據(jù)集中提取出有價(jià)值的信息成為研究熱點(diǎn)之一。不確定數(shù)據(jù)主要分為存在級(jí)和屬性級(jí)不缺性,為了能更好的理解這兩種不確定數(shù)據(jù),本文主要做了以下工作:第一,本文在第三章中提出ULDC算法,用于對(duì)不確定數(shù)據(jù)進(jìn)行聚類分析,該算法是在學(xué)習(xí)基于密度的面向不確定數(shù)據(jù)的聚類算法時(shí),發(fā)現(xiàn)某些算法在對(duì)不確定數(shù)據(jù)進(jìn)行聚類時(shí),有一些缺點(diǎn)。針對(duì)這些缺點(diǎn),提出一種基于局部密度的ULDC算法。首先改進(jìn)不確定數(shù)據(jù)對(duì)象之間相似性的度量方式,然后介紹ULDC算法所涉及的相關(guān)概念,比如局部密度、數(shù)據(jù)鏈等,最后描述該算法的整體流程。該算法主要是將局部密度作為不確定數(shù)據(jù)對(duì)象唯一的屬性來進(jìn)行聚類分析,并且,與DBSCAN等算法相比,該算法減少了參數(shù)值的個(gè)數(shù),由此提高聚類結(jié)果的質(zhì)量。通過實(shí)驗(yàn)驗(yàn)證,該算法在Iris數(shù)據(jù)集合Connect-4數(shù)據(jù)集上的F1值分別為0.8876和0.9086,說明該算法有比較好的聚類質(zhì)量。第二,本文在第四章中提出UBFCM算法... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 不確定數(shù)據(jù)概述
        1.3.1 產(chǎn)生原因
        1.3.2 不確定數(shù)據(jù)的表現(xiàn)形式
        1.3.3 不確定數(shù)據(jù)的應(yīng)用
    1.4 論文的組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 聚類相關(guān)理論基礎(chǔ)
    2.1 聚類概述
    2.2 聚類相關(guān)數(shù)學(xué)模型
    2.3 相似性度量
    2.4 確定數(shù)據(jù)聚類算法
        2.4.1 基于劃分的聚類算法
        2.4.2 基于層次的聚類算法
        2.4.3 基于密度的聚類算法
        2.4.4 基于網(wǎng)格的聚類算法
    2.5 不確定數(shù)據(jù)聚類算法
        2.5.1 不確定數(shù)據(jù)與確定數(shù)據(jù)聚類算法的區(qū)別
        2.5.2 基于劃分的不確定數(shù)據(jù)聚類算法
        2.5.3 基于密度的不確定數(shù)據(jù)聚類算法
        2.5.4 基于概率分布的不確定數(shù)據(jù)聚類算法
    2.6 不確定數(shù)據(jù)相似性度量
第三章 本文所提一種基于局部密度的ULDC算法
    3.1 研究的背景和意義
    3.2 聚類算法相關(guān)準(zhǔn)備
        3.2.1 不確定對(duì)象相異度
        3.2.2 如何確定聚類中心
    3.3 本文所提ULDC不確定數(shù)據(jù)聚類算法
        3.3.1 改進(jìn)不確定數(shù)據(jù)對(duì)象之間相似性計(jì)算公式
        3.3.2 ULDC算法相關(guān)定義
        3.3.3 算法描述
    3.4 算法性能以及仿真實(shí)驗(yàn)
        3.4.1 算法的復(fù)雜度分析
        3.4.2 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 本文所提一種基于模糊劃分的UBFCM算法
    4.1 研究的動(dòng)機(jī)與意義
    4.2 模糊C均值聚類算法介紹
    4.3 本文所提UBFCM不確定數(shù)據(jù)聚類算法
        4.3.1 不確定數(shù)據(jù)聚類模型
        4.3.2 不確定數(shù)據(jù)聚類的確定化
        4.3.3 相似度計(jì)算公式
        4.3.4 不確定數(shù)據(jù)聚類算法UBFCM算法描述
    4.4算法性能分析及實(shí)驗(yàn)
        4.4.1 算法的時(shí)間復(fù)雜度分析
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
作者簡(jiǎn)介
致謝


【參考文獻(xiàn)】：
期刊論文
[1]多中心點(diǎn)增量式模糊聚類算法[J]. 胡本固,戴牡紅.  應(yīng)用科學(xué)學(xué)報(bào). 2019(06)
[2]一種基于屬性空間相似性的模糊聚類算法[J]. 施偉鋒,卓金寶,蘭瑩.  電子與信息學(xué)報(bào). 2019(11)
[3]高維不確定數(shù)據(jù)的子空間聚類算法[J]. 萬靜,鄭龍君,何云斌,李松.  計(jì)算機(jī)應(yīng)用. 2019(11)
[4]基于區(qū)間數(shù)的不確定性數(shù)據(jù)聚類算法:UD-OPTICS[J]. 吳翠先,何少元.  計(jì)算機(jī)工程與科學(xué). 2019(07)
[5]混合型數(shù)據(jù)聚類方法的比較[J]. 劉超,姚清華,樂然.  統(tǒng)計(jì)與決策. 2019(11)
[6]基于密度的不確定數(shù)據(jù)流聚類算法[J]. 韓東紅,宋明,張宏亮,王佳茜,王嘉興,王國仁.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(08)
[7]基于快速高斯變換的不確定數(shù)據(jù)聚類算法[J]. 遲榮華,程媛,朱素霞,黃少濱,陳德運(yùn).  通信學(xué)報(bào). 2017(03)
[8]一種空間相關(guān)性與隸屬度平滑的FCM改進(jìn)算法[J]. 肖滿生,肖哲,文志誠,周立前.  電子與信息學(xué)報(bào). 2017(05)
[9]基于近鄰傳播的不確定數(shù)據(jù)流演化聚類算法[J]. 夏聰,陸億紅.  模式識(shí)別與人工智能. 2016(05)
[10]不確定數(shù)據(jù)基于密度的局部異常點(diǎn)檢測(cè)[J]. 曹科研,欒方軍,孫煥良,丁國輝.  計(jì)算機(jī)學(xué)報(bào). 2017(10)



本文編號(hào)：3188321