近年來,隨著不確定性數(shù)據(jù)的廣泛出現(xiàn)以及數(shù)據(jù)挖掘技術的不斷興起,對不確定數(shù)據(jù)內在信息挖掘手段的研究也逐漸得到了人們的關注。聚類算法作為數(shù)據(jù)挖掘中的經典方法之一,如何將其運用于難以解釋的不確定數(shù)據(jù)集,已然成為了重要的研究課題。區(qū)間型符號數(shù)據(jù)作為屬性不確定數(shù)據(jù)的重要表現(xiàn)形式,本文對現(xiàn)有的不確定數(shù)據(jù)聚類算法展開討論,分別提出了基于模糊C-均值(FCM)與基于DBSCAN的不確定區(qū)間數(shù)聚類算法,以此提高相應不確定聚類算法的運行效率。首先針對不確定區(qū)間數(shù)聚類算法中,區(qū)間數(shù)內的點通常假設成服從均勻分布,難以表達其真實屬性,本文基于四分位數(shù)思想設計了適用于一般分布區(qū)間數(shù)的距離度量——MQ(median quartile-spacing)距離,準確刻畫了屬性不確定數(shù)據(jù)。由于FCM的聚類結果受到初始聚類中心影響較大并且隸屬度更新速度慢,本文基于密度思想采用隨機抽樣策略設計了初始聚類中心的優(yōu)化選取方法SDCS(sampling-based density center selection),提升了算法精度;接著利用競爭學習思想構建了相對加速隸屬度更新策略,減少了算法的運行時間,于此提出了一種基于一般分布屬性...

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 論文的選題背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 基于劃分的不確定聚類研究
        1.2.2 基于密度的不確定聚類研究
    1.3 論文的主要內容
    1.4 論文的結構安排
第二章 不確定數(shù)據(jù)及聚類算法研究
    2.1 不確定數(shù)據(jù)的研究
        2.1.1 不確定數(shù)據(jù)的來源
        2.1.2 不確定數(shù)據(jù)的分類
    2.2 確定數(shù)據(jù)聚類算法研究
        2.2.1 聚類的基本定義
        2.2.2 常用確定聚類算法綜述
    2.3 本章小結
第三章 基于劃分的不確定EFCM-ID聚類算法
    3.1 相關研究及問題
    3.2 不確定數(shù)據(jù)處理
    3.3 FCM算法介紹
    3.4 EFCM-ID算法
        3.4.1 基于抽樣的密度中心選取方法SDCS
        3.4.2 相對加速隸屬度更新策略
    3.5 算法分析
    3.6 實驗分析
        3.6.1 實驗環(huán)境
        3.6.2 數(shù)據(jù)準備
        3.6.3 評價指標
        3.6.4 MQ 距離的有效性實驗
        3.6.5 EFCM-ID 算法有效性實驗
        3.6.6 算法比較實驗
    3.7 本章小結
第四章 基于密度的不確定ADBSCAN-ID聚類算法
    4.1 相關研究及問題
    4.2 DBSCAN算法介紹
    4.3 ADBSCAN-ID算法
        4.3.1 相關工作和定義
        4.3.2 鄰域差分擴張法
    4.4 算法分析
    4.5 實驗分析
        4.5.1 ADBSCAN-ID 算法有效性實驗
        4.5.2 算法比較實驗
    4.6 本章小結
第五章 總結與展望
    5.1 本文總結
    5.2 研究展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：4004698