面向聚类的数据可视化方法及相关技术研究

论文摘要

数据挖掘是在海量的数据中提取隐含的、未知的、潜在有用的知识或信息模式的数据处理方法，是20世纪90年代初为解决“数据丰富、知识贫乏”问题应运而生的一种新技术。但是，数据挖掘的过程非常耗时，算法相对复杂，常常会发现大量的无用的知识，且容易出现偏差和错误。因此，需要采用有效的方法更清晰地观察数据的分布结构，了解数据之间的相互关系及发展趋势，理解数据挖掘的过程和结果。数据可视化技术成为解决这一问题的新的且有效的途径，已经成为数据挖掘领域的研究热点。数据可视化利用散点图、树图、曲线、曲面等图形图像来显示多维的非空间数据，用形象直观的图像来指引数据挖掘的过程，使用户加深对数据含义的理解，加快获取知识的速度。 聚类分析是数据挖掘的一项重要功能，特别对高维数据分析具有很大优势。本文以聚类算法为基础，总结和分析现有的数据可视化方法，围绕着新的面向聚类的数据可视化技术、聚类分析的过程及结果可视化技术、可视化聚类分析交互技术等方面，进行深入且细致的研究。本文的主要工作如下： (1)虽然数据可视化方面已提出了很多方法，但是对数据可视化仍然没有明确的界定。本文对数据可视化同可视化、科学计算可视化、信息可视化的关系及应用范畴作了明确的划分。详细、系统地介绍了主要的数据可视化方法，通过对这些方法和技术的介绍，可以对数据可视化的作用、运用范围、区别于其他可视化技术的特点等方面有更深入的认识，这是进一步研究的基础。 (2)现存的聚类算法众多，其中包括基于划分的聚类算法和基于层次的聚类算法等。本文在研究了现有的几种聚类算法，发现一些算法有的对脏数据敏感；有的虽不敏感，但计算量大，只适用于小规模数据量。针对这些问题本文提出了一种基于主次属性划分的聚类方法和一种新的数据可视化方法。利用数据的主属性和次属性的特征值对数据集进行聚类。实验表明，本方法算法简单、容易实现。 (3)提出一种利用彩色刺激光谱投影到RGB颜色空间的原理，通过色度学中麦克斯韦的三角平面坐标色度图对各聚类结果进行可视化显示。实验表明，通过用这种多维数据的可视化方法对聚类结果进行可视化，有利于用户全面的理解数据，为数据的预测、决策起到重要作用。 (4)一些聚类算法需要预先确定聚类个数、迭代次数或终止条件，而这些参数

论文目录

• 独创性声明
• 学位论文版权使用授权书
• 摘要
• ABSTRACT
• 目录
• 第一章 导言
• 1.1 数据可视化技术
• 1.1.1 数据可视化技术的需求
• 1.1.2 数据可视化的作用
• 1.2 数据可视化技术与数据挖掘
• 1.2.1 数据挖掘中可视化技术的提出
• 1.2.2 数据挖掘中可视化技术的作用
• 1.2.3 数据挖掘中可视化技术的应用
• 1.2.4 数据挖掘中可视化技术的现状和发展趋势
• 1.3 本文研究的问题及组织结构
• 1.3.1 研究的问题
• 1.3.2 本文的工作
• 1.3.3 本文的结构组织
• 第二章 数据可视化相关概念和技术
• 2.1 数据可视化简介
• 2.1.1 几个相关的概念
• 2.1.2 数据可视化的参考模型
• 2.2 数据预处理
• 2.2.1 对数据的几项处理技术
• 2.2.2 数据之间的距离
• 2.3 主要的数据可视化技术
• 2.3.1 数据可视化技术的分类
• 2.3.2 基于图标的技术
• 2.3.3 面向象素的技术
• 2.3.4 基于图形的技术
• 2.3.5 基于层次的技术
• 2.3.6 基于几何的技术
• 2.4 数据可视化与科学计算可视化的比较
• 2.5 本章小结
• 第三章 基于主次属性的聚类算法及其可视化方法
• 3.1 引言
• 3.2 数据挖掘中的主要聚类算法
• 3.2.1 聚类分析简介
• 3.2.2 典型的聚类算法
• 3.3 基于主次属性的聚类算法
• 3.3.1 基本思想
• 3.3.2 算法描述
• 3.3.3 算法分析
• 3.4 基于色度图的聚类可视化方法
• 3.4.1 彩色刺激函数和RGB模型
• 3.4.2 光谱-颜色到数据的映射
• 3.4.3 基于色度图的聚类可视化原理
• 3.4.4 聚类可视化算法描述
• 3.4.5 算法分析
• 3.4.6 实验结果与分析
• 3.5 本章小结
• 第四章 基于近邻方法的聚类算法及其可视化方法
• 4.1 引言
• 4.2 基于距离聚类的基本思想
• 4.3 代表性算法的分析
• 4.4 基于近邻方法的聚类算法
• 4.4.1 算法的相关定义
• 4.4.2 算法参数γ和λ
• 4.4.3 算法实现
• 4.4.4 实验结果
• 4.5 本章小结
• 第五章 改进的基于CHERNOFF-FACE可视化聚类方法
• 5.1 引言
• 5.2 CHERNOFF脸谱图简介
• 5.3 CHERNOFF脸谱图的实现原理
• 5.4 改进的CHERNOFF脸谱数据可视化方法
• 5.4.1 主成分分析的基本思想
• 5.4.2 主成分分析的数学模型
• 5.4.3 主成分的推导及性质
• 5.4.4 改进的算法描述
• 5.4.5 实验结果及分析
• 5.5 本章小结
• 第六章 基于平行坐标的可视化聚类分析方法
• 6.1 平行坐标数据可视化的基本原理
• 6.2 平行坐标的优缺点
• 6.3 基于平行坐标的数据可视化分析方法
• 6.4 基于平行坐标的可视化聚类分析技术
• 6.4.1 二维空间下的聚类
• 6.4.2 平行坐标下的聚类
• 6.4.3 直观可视化聚类分析
• 6.4.4 动态交互聚类分析技术
• 6.5 本章小结
• 第七章 支持可视化数据挖掘图像后处理方法
• 7.1 引言
• 7.2 可视化数据挖掘的基本模型
• 7.3 相关图像增强处理技术
• 7.4 可视化数据挖掘结果图像
• 7.5 可视化数据挖掘结果图像存在的问题
• 7.6 基于类邻域平均法的结果图像处理过程
• 7.6.1 基于类邻域平均法原理
• 7.6.2 算法描述
• 7.6.3 算法的性能分析
• 7.7 实验结果分析
• 7.8 本章小结
• 第八章 总结与展望
• 8.1 全文回顾
• 8.2 进一步的工作
• 参考文献
• 致谢
• 攻读博士学位期间所发表的学术论文
• 论文
• 出版的著作
• 获奖情况
• 攻博期间参加和完成的科研项目
• 作者简介