基于划分的聚类算法研究

论文题目: 基于划分的聚类算法研究

论文类型: 硕士论文

论文专业: 计算机技术

作者: 郑柏杰

导师: 杨小帆,何国辉

关键词: 数据挖掘,聚类分析,划分方法

文献来源: 重庆大学

发表年度: 2005

论文摘要: 由于计算机数据采集工具及关系数据库技术的发展,目前各个行业都存储了大量的数据。传统的数据分析手段难以应付大量的数据,从而导致越来越严重的数据灾难,数据挖掘技术的发展为解决这一问题提供了有效途径。数据挖掘(Data Mining),也称数据库的知识发现(Knowledge Discovery in database),是指从大量的原始数据中挖掘出隐含的、有用的、尚未发现的知识和信息。与传统的统计、总结方法相比,数据挖掘技术涉及到多个学科,汇集了人工智能、模式识别、数据库、机器学习以及管理信息系统等学科的成果。数据挖掘是一个新兴的边缘学科,其应用领域非常广泛,并具有良好的应用前景。聚类分析是数据挖掘的重要组成部分。所谓聚类,是将一个数据单位的集合(数据源)分割成几个称为簇或类别的子集。聚类分析依据的原则是使同一聚簇中的对象具有尽可能大的相似性,而不同聚簇中的对象具有尽可能大的相异性。聚类分析主要解决的问题是如何在没有先验知识的前提下,实现满足这种要求的聚簇的集合。本文主要工作包括:(1)首先介绍了什么是数据挖掘,包括数据挖掘的产生背景和定义,然后介绍了目前国内外数据挖掘中研究的一部分重要内容的概况,包括关联规则、数据综合和概括、数据分类、数据聚类等,最后介绍了数据挖掘在研究和应用中所面临的挑战,正是这些挑战推动了数据挖掘研究的进一步发展。(2)对现有的各种聚类分析算法的对比性研究。(3)基于划分的聚类方法的改进。基于划分的方法是聚类分析中较为主要的方法之一,但是由于它对于先验知识的依赖较强,尤其是需要预先指定聚类分析的类别数目,给该方法的应用带来了障碍。本文提出了对基于划分的方法的改进方法,它不但避免了需要用户给出难以确定的参数的尴尬局面,而且可以发现任意形状的簇,是一个非常有优势有前景的算法。最后详细介绍了该算法的具体实现,并把它应用到一个实例中。

论文目录:

摘要

ABSTRACT

1 引言

1.1 数据挖掘的起源

1.2 数据挖掘与专家系统的区别

1.3 数据挖掘的分类

1.4 数据挖掘的系统结构及流程

1.5 数据挖掘的研究与应用

1.6 本文的主要工作

2 数据挖掘的任务与方法

2.1 数据挖掘的任务

2.2 数据挖掘的方法

3 聚类分析方法

3.1 什么是聚类分析

3.2 聚类分析评价标准

3.3 聚类算法涉及的各类型数据及预处理

3.4 聚类分析方法详解

3.5 聚类分析目前存在的问题

4 一种改进的基于划分的聚类分析方法

4.1 对基于划分的聚类算法的分析

4.2 对基于划分的经典算法的一些改进

5 结论

致谢

参考文献

独创性声明

学位论文版权使用授权书

发布时间: 2006-12-05

参考文献

[1].数据挖掘中几种划分聚类算法的比较及改进[D]. 彭丽.大连理工大学2008
[2].基于密度的数据流聚类算法研究[D]. 李省委.西安电子科技大学2017
[3].分布式聚类算法研究及其应用[D]. 徐军莉.南昌大学2009
[4].基于距离的聚类和孤立点检测算法研究[D]. 尚俊平.郑州大学2005
[5].数据挖掘中聚类算法研究与改进及其应用[D]. 刘禹.辽宁科技大学2014
[6].聚类与孤立点检测算法的研究和实现[D]. 刘俊岭.中国科学院研究生院（沈阳计算技术研究所）2006
[7].聚类算法及其在高职院校学生信息管理系统中的应用研究[D]. 解英杰.山东师范大学2012
[8].大规模科学数据挖掘中密度聚类算法的研究[D]. 熊小勇.电子科技大学2007
[9].基于粒计算的聚类算法研究[D]. 程顺宽.南昌大学2015
[10].聚类算法的研究与应用[D]. 李引.江南大学2013

基于划分的聚类算法研究

猜你喜欢