密度影響因子相關的網格聚類算法研究.pdf

1、浙江理工大學學位論文獨創(chuàng)性聲明本人聲明所呈交的學位論文是本人在導師指導下進行的研究工作及取得的研究成果。除了文中特別加以標注和致謝的地方外，論文中不包含其他人已經發(fā)表或撰寫過的研究成果，也不包含為獲得浙江理工大學或其他教育機構的學位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示謝意。學位論文作者簽名：陟鋱’簽字日期：w￥年弓月[b日浙江理工大學碩士學位論文密度影響因子相關的網格聚類算法研究

2、摘要數據挖掘是適應信息社會從海量數據中提取有價值信息的需要而產生的。聚類分析作為數據挖掘學科研究和應用的重要分支之一，它能從未被標記的數據中自動識別出具有一定相似性的數據組成的多個類。在各種聚類算法中，基于密度的算法能識別不同密度，任意形狀的聚簇。但是密度聚類往往因為要設置全局參數，且參數不止一個，當遇到簇的密度變化差異很大時，聚類會遇到困難。而基于網格的聚類算法用網格代替對數據點的計算，提高了聚類處理速度，但是以犧牲精度為條件，網格劃

3、分的“粒度”大小影響著聚類的質量，粒度越小，聚類越精確，但是花費的代價越高；而粒度越大，聚類質量越粗糙。針對密度聚類和網格聚類的各自不足，本文考慮相鄰網格的密度影響因子，提出了改進的聚類算法：基于網格密度影響因子的聚類算法(IFGDC)。算法的主要工作有：(1)通過劃分數據空間將數據對象的聚類映射為網格單元的聚類，有效地降低了聚類操作的復雜度；(2)定義了基于網格相鄰關系的一些概念，避免了傳統(tǒng)的基于密度的算法中需要確定半徑的不便；(3)

4、提出了網格密度影響因子的概念，以便從高密度網格中確定核心網格；(4)并給出一種對簇邊緣的邊界點進行提取的方法，進一步提高了聚類準確性。最后，通過實驗測試IFGDC聚類算法，驗證了該算法的正確性和有效性。Kmeans聚類算法簡單，成為聚類的經典算法。但是Kmeans聚類對參數敏感，依賴用戶的經驗選擇聚類數目和初始聚類中心，易受噪聲點干擾，而且算法結果依賴數據的輸入次序。針對這些不足，本文提出了基于IFGDC的Kmeans改進算法。算法首先

5、利用網格聚類的速度優(yōu)勢，對數據進行預處理，找到數據集的大致結構與分布，得到聚簇的類數k和代表各自簇的k個初始質心，然后利用這兩個參數對數據集進行Kmeans聚類。實驗結果表明，相比單純地直接使用K均值聚類，改進的算法能提高參數k和初始質心選取的質量，減少對“噪音”的敏感性，算法結果確定，不依賴數據錄入順序，可以有效改進聚類效果。本文在最后對工作進行了總結，并對未來的工作進行了展望。關鍵詞：數據挖掘；聚類；網格；密度；網格密度影響因子；K