子空間高維聚類算法的研究.pdf

1、傳統(tǒng)的聚類算法一般是采用基于距離為基礎(chǔ)的數(shù)據(jù)聚類，但是隨著樣本維數(shù)的不斷增多，數(shù)據(jù)點的間距差別很小,這樣就使基于距離度量的聚類算法在高維數(shù)據(jù)領(lǐng)域失去意義,故傳統(tǒng)基于距離聚類的方法在高維空間中面臨著巨大的挑戰(zhàn)。然而,在某些局部空間卻存在著潛在的有價值的信息，所以尋找有效的高維聚類算法成為人們研究的方向。目前最常用的高維聚類算法有兩種方法：第一、高維降維后用傳統(tǒng)方法聚類；其利用降維算法對高維子空間數(shù)據(jù)進行降維操作，只留下興趣度高的空間，然后

2、利用傳統(tǒng)的基于距離的聚類算法對子空間進行聚類。第二、選擇特征子集，在子空間中進行聚類；其算法自動在高維空間中尋找信息含量較高的子空間進行聚類，這種算法開支較大，需要遍歷每一個維度。本文針對以上這兩種情況分別做了如下研究工作：
　　在第三章中主要針對用Isomap降維后的特征子空間中數(shù)據(jù)分布混亂，無法正常進行分析的問題，提出了一種基于距離相似性的K-means聚類算法,對降維后的子空間數(shù)據(jù)樣本進行聚類。改進的算法通過距離相似性的差異

3、排除孤立點并且科學的選取了初始聚類中心，降低了算法的時間復雜度，而且聚類得到的簇內(nèi)部更加緊湊。
　　因為能夠用高維降維后聚類方法的數(shù)據(jù)樣本有很大的要求，不具有普遍性，因此第四章中引進了一種改進的new-CLIQUE高維子空間聚類算法，其通過分析傳統(tǒng)基于距離聚類算法存在的問題，提出了一種以Gini值為標準的維度約簡方法對高維數(shù)據(jù)進行預處理，降低了數(shù)據(jù)的維度；同時對CLIQUE算法進行改進，利用混合網(wǎng)格技術(shù)對稠密單元進行劃分，防止稠密