對于不同狀態(tài)的數(shù)據(jù),進(jìn)行聚類處理的算法各不相同,在處理靜態(tài)型數(shù)據(jù)時,常用的聚類算法有基于劃分的方法,基于密度的方法等等。在處理移動型數(shù)據(jù)時,則根據(jù)已有的靜態(tài)型數(shù)據(jù)聚類算法,進(jìn)行擴(kuò)展并加入時間維度考量,因此有了許多適用移動型數(shù)據(jù)的聚類算法。本文從數(shù)據(jù)的不同狀態(tài)出發(fā),首先從靜態(tài)型數(shù)據(jù)進(jìn)行研究,并提出相應(yīng)的聚類算法。然后,對于移動型數(shù)據(jù)與靜態(tài)型數(shù)據(jù)同時存在的混合數(shù)據(jù)進(jìn)行討論,并給出相應(yīng)的聚類算法。在已有的靜態(tài)型數(shù)據(jù)聚類算法中,基于密度的密度峰值算法,是目前較為有影響力的算法,其特點在于對聚類中心的描述上,基于該描述,密度峰值算法邏輯清晰,性能不受空間維度的影響,但也有弊端,算法中的截斷距離需要人為指定,算法時間復(fù)雜度過高,不能處理流形數(shù)據(jù)等復(fù)雜類型數(shù)據(jù)。本文受其啟發(fā),針對上述問題,首先計算各個數(shù)據(jù)點的密度,并根據(jù)數(shù)據(jù)點的平均密度,將數(shù)據(jù)點一分為二。然后在聚類中心的選擇上,將高密度數(shù)據(jù)點作為聚類中心的候選點,并提出了FilterC算法進(jìn)行篩選出聚類中心。其次,將低于平均密度的數(shù)據(jù)點作為離群點的候選點,結(jié)合近鄰優(yōu)化相關(guān)理論,提出了 outlierO算法篩選出離群點。最后,提出IDPC算法,結(jié)合v...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 課題的來源及其研究內(nèi)容
        1.3.1 課題的來源
        1.3.2 課題研究內(nèi)容
第2章 聚類分析算法概述
    2.1 聚類分析基本概念介紹
    2.2 靜態(tài)型聚類算法介紹
        2.2.1 基于劃分的聚類
        2.2.2 基于層次的聚類
    2.3 移動型聚類算法
    2.4 混合聚類算法
    2.5 本章小結(jié)
第3章 基于密度峰值和近鄰的靜態(tài)型數(shù)據(jù)聚類算法
    3.1 密度峰值算法
    3.2 IDPC(Improved Density Peak Cluster)算法
        3.2.1 聚類中心的選取
        3.2.2 離群點的分析和篩選
        3.2.3 數(shù)據(jù)點分配與合并
    3.3 算法實驗分析
    3.4 本章小結(jié)
第4章 移動型數(shù)據(jù)與靜態(tài)型數(shù)據(jù)的混合聚類算法
    4.1 相關(guān)知識與定義介紹
    4.2 混合狀態(tài)數(shù)據(jù)集的聚類算法
        4.2.1 單個移動型數(shù)據(jù)與靜態(tài)數(shù)據(jù)集的聚類算法
        4.2.2 移動型數(shù)據(jù)集與靜態(tài)型數(shù)據(jù)集的聚類算法
    4.3 算法實驗分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)



本文編號：4005139