基于粗糙集的聚类算法及应用研究

论文摘要

随着信息时代的来临,各行各业的繁荣与发展都离不开知识发现。知识库中数据规模的不断扩大,从海量的数据中萃取出其中隐藏或潜在的知识和规则是对未来的决策十分重要的。本文主要研究聚类算法。聚类算法是一种无监督的学习算法,目的就是把所给的数据元素划分到相似的数据分组之中,这个数据分组就叫做簇。本文主要研究粗糙集与聚类算法之间结合而产生的粗糙聚类算法。采用Z.Pawlak教授（1982）提出的关于粗糙集的3条基本性质,对一种划分的聚类算法——PAM算法进行改进得到粗糙的PAM聚类算法。对比P.Lingras教授（2002）提出的粗糙K-means算法而言减少了两个初始参数。并且进行试验得到了较好的实验结果。本文对Huang（1997）提出的对混合性数据进行聚类的K-means算法进行改进,得到一种新的处理混合型数据的K-means聚类算法。并且通过UCI数据进行试验,得到较好的实验结果。最后本文为了试验需要设计了一种基于B/S构架的聚类算法系统。集成了K-means,PAM,粗糙K-means和粗糙PAM聚类算法。并用java语言进行编程,采用Windows中的IE作为用户界面对系统进行操作。使用MySQL作为后台数据库。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 论文的选题意义及研究背景
• 1.2 国内外研究的现状和存在问题
• 1.2.1 粗糙集理论在聚类分析中的应用的国内外研究现状
• 1.2.2 存在的主要问题
• 1.3 小结
• 第2章 粗糙集理论简介
• 2.1 粗糙集基本思想的产生和发展
• 2.2 粗糙集基本概念
• 2.2.1 知识表达系统
• 2.2.2 知识与知识库
• 2.2.3 不可分辨关系
• 2.2.4 上下近似集
• 2.2.5 分类精度
• 2.3 小结
• 第3章 数据挖掘和聚类算法简介
• 3.1 数据挖掘概念
• 3.2 数据挖掘的方法
• 3.3 聚类分析的方法
• 3.3.1 聚类分析的概念和应用
• 3.3.2 聚类分析算法的发展
• 3.3.3 聚类算法介绍
• 3.4 小结
• 第4章 粗糙聚类算法
• 4.1 分割的聚类算法简介
• 4.1.1 PAM算法
• 4.1.2 CLARA算法
• 4.2 粗糙的分割聚类算法
• 4.2.1 粗糙的PAM算法
• 4.2.2 粗糙PAM算法流程
• 4.2.3 粗糙PAM算法试验结果与分析
• 4.2.4 大数据集的粗糙聚类算法
• 4.2.5 粗糙的CLARA算法试验结果及分析
• 4.3 小结
• 第5章 对混合型数据聚类的算法改进
• 5.1 应用背景
• 5.2 处理混合型数据的聚类算法
• 5.3 改进的混合型聚类算法
• 5.4 算法复杂度分析
• 5.5 实验结果及分析
• 5.6 小结
• 第6章 基于粗糙集的聚类数据挖掘系统分析与实现
• 6.1 系统分析与设计
• 6.1.1 系统开发背景和基本目标
• 6.1.2 系统设计流程
• 6.2 系统的总体设计
• 6.2.1 系统目标
• 6.3 详细设计
• 6.3.1 数据库设计
• 6.3.2 系统功能设计
• 6.3.3 系统主要技术
• 6.3.4 基于B/S结构的系统体系
• 6.4 小结
• 第7章 总结与展望
• 7.1 主要工作
• 7.2 展望
• 参考文献
• 致谢
• 在学期间发表的学术论文与研究成果