對(duì)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(shí),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(dòng)型數(shù)據(jù)時(shí),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(shí)間維度考量,因此有了許多適用移動(dòng)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(duì)于移動(dòng)型數(shù)據(jù)與靜態(tài)型數(shù)據(jù)同時(shí)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(diǎn)在于對(duì)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?cái)嗑嚯x需要人為指定,算法時(shí)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(duì)上述問題,首先計(jì)算各個(gè)數(shù)據(jù)點(diǎn)的密度,并根據(jù)數(shù)據(jù)點(diǎn)的平均密度,將數(shù)據(jù)點(diǎn)一分為二。然后在聚類中心的選擇上,將高密度數(shù)據(jù)點(diǎn)作為聚類中心的候選點(diǎn),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(diǎn)作為離群點(diǎn)的候選點(diǎn),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(diǎn)。最后,提出IDPC算法,結(jié)合v...

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)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(dòng)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(diǎn)的分析和篩選
        3.2.3 數(shù)據(jù)點(diǎn)分配與合并
    3.3 算法實(shí)驗(yàn)分析
    3.4 本章小結(jié)
第4章 移動(dòng)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(shí)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(gè)移動(dòng)型數(shù)據(jù)與靜態(tài)數(shù)據(jù)集的聚類算法
        4.2.2 移動(dòng)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(shí)驗(yàn)分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)



本文編號(hào)：4005139