论文题目: 基于高维空间的聚类技术研究
论文类型: 硕士论文
论文专业: 计算机应用
作者: 和亚丽
导师: 陈立潮
关键词: 数据挖掘,高维聚类,映射聚类,离群点检测,聚类结果表示,粗集理论
文献来源: 中北大学
发表年度: 2005
论文摘要: 随着计算机应用的普及,信息系统产生的数据量日益增大,迫切需要高效的数据挖掘工具,从大量原始数据中寻找有价值的知识模式。聚类分析是数据挖掘的重要工具之一。如何正确处理维度达到数百、数千的数据集合,如何从高维数据集中寻找潜在的、自然存在的聚类簇,这是当前聚类分析研究的热点。本文针对聚类分析的热点和难点问题----高维聚类展开研究,目的是寻求有效的高维聚类算法,以及有效的高维数据离群点发现和聚类结果表达等技术。本文研究了高维聚类分析的关键技术,主要工作有:1、针对高维数据空间下聚类簇的分布特点,改进了一种基于子空间的映射聚类算法。本文应用柏努利分布表示二元数据的分布特征,把基于有限混合柏努利分布模型与EM(Expectation-Maximization)算法相结合的高维二元数据映射聚类方法,一方面发现各种子空间下的聚类簇,一方面为每个簇指定相应的属性子集,实现了不同子空间下聚类簇的挖掘。2、从映射聚类算法出发,设计了一种高维空间离群点发现的算法。首先,运用一种映射聚类的算法寻找数据点相对密集的子空间。为了尽快找到这些数据簇及其相应的子空间,可以对数据进行二元处理,即把全部数据集转化为二元数据,然后运用二元数据映射聚类方法找到映射簇及相关联的属性集合;第二,根据属性熵的定义,对每个属性集合的每一属性判别其离散程度;第三,在离散程度较大的属性集合中确定离群点;第四,进行簇间属性集合的交叉分析,发现跨子空间的离群点。3、仔细研究基于粗集理论的高维聚类结果表达方法。认为聚类簇必须以有效的方式加以表达,相对完整地传达聚类运算的结果,以利于人工交互,完成知识发现的后续操作。因此,聚类结果的可表达性、可解释性是聚类算法必须考虑的关键技术。本文运用粗集(rough set)理论,引入属性空间上的粗糙集理论,考虑数据在对象空间和属性空间的不同特性,使聚类结果特征从对象空间和属性空间两个角度得到了综合反映,并以规则的形式表示聚类知识,既可全面表示数据聚类结构,也可实现聚类增量计算。
论文目录:
1 、 高维聚类技术综述
1.1 数据库知识发现
1.1.1 数据库知识发现的产生与发展
1.1.2 KDD的一般机理和理论基础
1.1.3 KDD系统的基本框架
1.1.4 KDD的主要任务
1.2 聚类分析
1.2.1 聚类问题的描述及主要方法
1.2.2 高维聚类问题..
1.2.3 高维聚类的关键技术
2 、 高维二元数据的映射聚类算法
2.1 引言
2.2 相关工作
2.3 二元数据
2.4 映射聚类的模型
2.4.1 柏努利分布(Bernoulli distribution)
2.4.2 有限混合柏努利分布
2.4.3 似然函数
2.4.4 EM算法
2.4.5 柏努利混合模型的EM算法
2.4.6 基于混合模型的映射聚类思想
2.5 映射聚类算法
2.6 试验结果
2.7 结论
3 、 高维数据空间的离群点检测方法研究
3.1 概述
3.2 高维空间中的离群点发现
3.3 子空间离群点发现算法综述
3.4 映射离群点发现的思考
3.5 映射离群点发现算法的设计
3.5.1 映射聚类算法
3.5.2 关于熵的属性选择
3.5.3 离散属性中离群点的确定
3.5.4 簇外属性检测
3.6 算法描述及分析
3.7 结论
4 、 高维数据聚类结果的表示
4.1 聚类结果表述方式概述
4.1.1 数据可视化
4.1.2 表达方式
4.2 基于粗集理论的知识表示
4.2.1 粗糙集基础理论
4.2.2 属性空间上的routh集理论
4.3 基于粗糙理论的聚类结果表达
4.3.1 一般聚类知识的表达
4.3.2 高维二元映射聚类结果的粗集表示
4.4 结论
5 、 总结与展望
5.1 本文完成的主要工作与贡献
5.2 对今后工作的展望
参考文献
攻读硕士期间发表的论文及所取得的研究成果
致谢
发布时间: 2005-05-09
参考文献
- [1].数据挖掘中的离群点检测算法研究[D]. 胡婷婷.厦门大学2014
- [2].高维数据空间中离群点检测方法的研究[D]. 李威.吉林大学2005
- [3].一种基于角度的离群点检测算法的改进[D]. 徐一文.西安电子科技大学2015
- [4].基于R语言的离群点检测算法研究以及在侦测欺诈交易中的应用[D]. 曲建方.西安电子科技大学2015
- [5].数据挖掘离群点检测算法及其在电力设备故障检测中的应用[D]. 冯玉伟.北京邮电大学2017
- [6].基于条件渐增总熵和全局邻域的局部离群点挖掘算法[D]. 孙影.燕山大学2017
- [7].基于密度的局部离群点挖掘及在入侵检测中应用研究[D]. 秦浩.大连海事大学2016
- [8].基于多重聚类的局部离群点检测算法研究[D]. 刘海波.重庆大学2013
- [9].基于属性权重的局部离群点挖掘算法研究[D]. 马良斋.兰州大学2010
- [10].基于偏离特征的离群点挖掘方法研究[D]. 尹新亮.哈尔滨工程大学2017
相关论文
- [1].在聚类中关于噪音与高维问题的研究[D]. 周霆.江南大学2006
- [2].聚类算法及其应用研究[D]. 何虎翼.上海交通大学2007
- [3].基于网格密度和空间划分树的聚类算法研究[D]. 曾东海.厦门大学2006
- [4].面向高维数据的变密度空间聚类研究[D]. 王东波.合肥工业大学2007
- [5].面向高维数据的子空间聚类算法研究[D]. 甘杨兰.合肥工业大学2007
- [6].空间聚类算法的研究[D]. 陶亮.合肥工业大学2007
- [7].高维海量数据聚类算法研究[D]. 王永卿.广西大学2007
- [8].改进的高维空间数据聚类算法及其在农业信息化中的应用[D]. 刘冬寒.吉林大学2005
- [9].聚类算法研究[D]. 孟增辉.河北大学2005
- [10].空间数据挖掘的聚类方法与应用[D]. 欧阳怡彪.电子科技大学2006