面向数据流的数据聚类算法研究

论文摘要

聚类分析是数据挖掘领域一项重要的研究课题。近年来,数据流在很多领域得到应用,数据流聚类也成为了一项意义深远而且很有挑战性的技术。与传统的静态数掘相比,这些数据是高速的、连续的、动态的、变化的、无限的。数据流的这些特性,给数据流的聚类算法带来了困难。另外数据流的高维、非线性特性对数据流的聚类算法提出了更高的要求。本文提出了一种不仅能很好地适应数掘流的进化特性而且能有效处理数据高维、非线性问题的数据流聚类算法。使用能很好处理非线性问题的核方法,作者提出了一种新的两层算法架构。在第一层,使用一种基于核的新颖检测算法把数据流分割为内聚性强的段。在第二层,在对数据进行聚类前先把数据映射成低维的数据。最后,通过实验表明本算法具有良好的实用性、有效性,适合处理和分析高维、非线性的进化数据流。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 本文研究内容
• 1.4 本文结构和组织
• 第2章 数据流聚类基础
• 2.1 相关概念
• 2.1.3 数据挖掘概述
• 2.1.2 聚类的定义
• 2.1.3 聚类分析的应用
• 2.1.4 聚类的典型要求
• 2.1.5 经典的聚类算法
• 2.2 数据流聚类
• 2.2.1 数据流聚类的要求
• 2.2.2 数据流聚类算法
• 2.2.3 高维非线性数据
• 2.3 本章小结
• 第3章 核方法与基于核的主成分分析
• 3.1 核函数
• 3.1.1 核函数的概念
• 3.1.2 核矩阵
• 3.1.3 特征空间中的基本算法
• 3.1.4 核函数的使用
• 3.2 主成分分析方法
• 3.2.1 主成分的定义与求取
• 3.2.2 主成分得分向量及主成分模型
• 3.2.3 主成分个数的确定方法
• 3.3 基于核的主成分分析
• 3.3.1 KPCA的介绍
• 3.3.2 核主成分分析KPCA算法步骤
• 3.3.3 KPCA与PCA比较
• 3.4 本章小结
• 第4章 基于核函数的数据流聚类算法
• 4.1 问题分析及解决方法
• 4.2 算法的基本思路
• 4.3 第一层模型
• 4.3.1 基于核的新颖检测算法
• 4.3.2 异常点的判断
• 4.4 第二层模型
• 4.4.1 KPCA降维
• 4.4.2 数据段的相似匹配
• 4.4.3 簇的生成与更新
• 4.5 本章小结
• 第5章 算法分析与实验研究
• 5.1 算法分析
• 5.2 实验分析
• 5.2.1 实验环境和测试数据集
• 5.2.2 性能测试
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢