聚类算法及在教学测评系统中的应用研究

论文摘要

面对大规模的高维数据,如何建立有效的、可扩展的聚类算法是数据挖掘领域的一个研究热点。围绕这个问题,本文在以下几个方面对聚类算法进行了深入研究。分析现有三种聚类初始化方法的优缺点,提出一种新的基于距离的初始化方法。该方法不需设定门限,不受数据集顺序的影响,而且对孤立点和噪声数据有较强的抑制作用,适用于较大规模数据的聚类初始化。针对基于网格、密度聚类方法的缺陷,提出一种基于网格、密度及距离的综合聚类方法。该方法能识别任意形状、大小、不同密度的类,能有效过滤噪声数据,参数设置简单,且无需预先给定聚类个数,具有近似线性的时间复杂度,适合处理大规模数据的聚类问题。研究现有层次聚类方法的缺点,提出一种新的层次聚类方法。该方法采用划分方法将数据分成原子簇,以这些原子簇为基础,实行自底向上的层次聚类,得到最终的聚类结果。该方法对输入参数不敏感,能有效过滤噪声数据,具有执行效率高的优点。针对高校教学评价系统中存在的问题,在研究聚类算法的基础上,开展了基于数据挖掘教学测评系统的原型研究,引入了科学决策技术中的层次分析法,解决了指标建立和权值分配的问题;在研究基于关联规则算法的基础上,对学院测评数据进行聚类分析研究,有效地减少了分析数据量,克服了按得分分类的不合理性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 课题来源及研究的目的和意义
• 1.3 论文主要工作
• 1.4 论文的组织结构
• 第2章 数据挖掘与聚类技术
• 2.1 数据挖掘
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的发展过程
• 2.1.3 数据挖掘分类
• 2.1.4 数据挖掘系统的功能
• 2.1.5 数据挖掘步骤
• 2.2 聚类技术
• 2.2.1 主要聚类方法及其研究进展评述
• 2.2.2 数据挖掘中聚类方法的应用
• 2.3 小结
• 第3章 基于距离的聚类初始化方法的改进研究
• 3.1 引言
• 3.2 现状分析
• 3.3 现有主要的聚类初始化方法
• 3.3.1 随机法
• 3.3.2 距离优化法
• 3.3.3 密度估计法
• 3.3.4 其它启发式初始化方法
• 3.4 一种新的基于距离的聚类初始化方法
• 3.4.1 一种新的基于距离的初始化方法
• 3.4.2 改进算法的优点
• 3.4.3 实验与结果分析
• 3.4.4 聚类初始化优化方法在测评系统中的应用
• 3.5 小结
• 第4章 基于网格密度距离的聚类算法改进研究
• 4.1 引言
• 4.2 传统算法与新算法的比较研究
• 4.3 CUBN 算法研究
• 4.3.1 主程序
• 4.3.2 边界点识别算法
• 4.3.3 噪声点消除算法
• 4.3.4 边界点归类算法
• 4.3.5 内部点归类算法
• 4.3.6 子类合并算法
• 4.4 算法分析
• 4.4.1 实验结果
• 4.4.2 算法对比分析
• 4.5 小结
• 第5章 层次聚类算法的改进研究
• 5.1 引言
• 5.2 新的层次聚类方法的思想与概念
• 5.3 改进算法的程序
• 5.3.1 改进算法的主程序
• 5.3.2 原子聚类算法
• 5.3.3 原子簇合并算法
• 5.3.4 子簇合并算法
• 5.4 算法分析
• 5.4.1 参数设置
• 5.4.2 聚类质量分析
• 5.5 小结
• 第6章 教学测评系统原始模型的构建研究
• 6.1 高校教学测评体系的理论研究
• 6.1.1 高校教学质量评价体系的构建原则
• 6.1.2 高校教学质量评价体系的构建方法
• 6.2 基于数据挖掘的测评系统原始模型构建研究
• 6.2.1 层次分析法概述
• 6.2.2 数据挖掘在测评系统建模中的研究
• 6.3 扩展模型在评价体系构建中的应用
• 6.4 扩展模型在教学测评系统中的应用
• 6.5 教学测评系统总体设计
• 6.5.1 教学测评系统
• 6.5.2 教学测评系统的功能设计
• 6.5.3 教学测评系统的数据流图
• 6.5.4 教学测评系统中的数据处理过程
• 6.6 小结
• 第7章 数据挖掘算法在教学测评系统中的应用
• 7.1 问题的提出
• 7.2 解决方案的关键技术
• 7.2.1 关联规则挖掘
• 7.2.2 改进的算法
• 7.2.3 算法检验及性能分析
• 7.3 基于聚类的关联规则改进算法
• 7.4 改进算法在教学测评系统中的应用
• 7.4.1 教学测评系统的挖掘过程
• 7.4.2 聚类分析法将教师得分分类
• 7.4.3 在聚类基础上的关联分析结果输出
• 7.5 算法可行性分析
• 7.6 小结
• 结论
• 参考文献
• 附录A 攻读硕士期间发表的论文
• 致谢