混合屬性數(shù)據(jù)的聚類研究.pdf

1、隨著信息技術(shù)的迅速發(fā)展,很多領(lǐng)域都出現(xiàn)了容量龐大的數(shù)據(jù)管理系統(tǒng),為幫助用戶從這些含有噪聲的海量數(shù)據(jù)中分析出有價值的知識,數(shù)據(jù)挖掘(DataMining,DM)技術(shù)應(yīng)運而生。聚類(Clustering)作為數(shù)據(jù)挖掘和模式識別的主要方法之一,引起了人們的廣泛關(guān)注。聚類算法是一種挖掘數(shù)據(jù)結(jié)構(gòu)的有用工具,已廣泛應(yīng)用于文本檢索及分類、圖像分割和處理、模式分類等眾多領(lǐng)域。
　　傳統(tǒng)的聚類算法主要有K-means、K-medoids、K-pro

2、totype、PAM、CLARANS、DBSCAN、CURE、ROCK、譜聚類算法等。這些經(jīng)典聚類算法都是用靜態(tài)模型來挖掘聚類,只針對數(shù)值型屬性數(shù)據(jù)或符號型屬性數(shù)據(jù)進行處理,而對混合數(shù)據(jù)類型的數(shù)據(jù)聚類的效果不好。但是,實際應(yīng)用中存在著大量由符號變量和數(shù)值變量共同描述的混合屬性數(shù)據(jù)。因此,研究混合屬性數(shù)據(jù)聚類具有重要的理論意義和應(yīng)用價值。
　　現(xiàn)有的混合屬性數(shù)據(jù)聚類算法不僅數(shù)量較少,還具有對于初始聚類中心的選擇以及聚類數(shù)據(jù)的輸入順序

3、敏感、易受噪聲點和離群點影響、收斂于局部最優(yōu)解或者獲得全局最優(yōu)解的代價較高、聚類結(jié)果隨機性大、不穩(wěn)定、準確性不夠高等缺點,聚類性能和聚類質(zhì)量都不理想,因此需要不斷完善:(1)算法執(zhí)行效率;(2)處理帶噪聲數(shù)據(jù)的能力;(3)發(fā)現(xiàn)任意形狀的聚類;(4)初始點的選擇;(5)聚類準確程度。
　　本文對聚類算法進行深入研究,針對混合屬性數(shù)據(jù)聚類存在的問題,設(shè)計了一種基于相似權(quán)重和協(xié)同過濾的聚類算法對混合屬性數(shù)據(jù)進行有效地聚類。算法首先將原始

4、數(shù)據(jù)集劃分為兩個數(shù)據(jù)子集:數(shù)值型數(shù)據(jù)子集和字符型數(shù)據(jù)子集。然后,根據(jù)子集的數(shù)據(jù)類型應(yīng)用聚類算法來得到相應(yīng)的聚類。最后,將數(shù)值型數(shù)據(jù)集和符號型數(shù)據(jù)集的聚類結(jié)果結(jié)合起來作為符號型數(shù)據(jù)集,在此基礎(chǔ)之上再利用過濾算法,得到最終的聚類。此算法可以有效地處理不規(guī)則邊界,并且聚類的形狀對于性能影響很小。本文還設(shè)計了一種基于圖劃分的混合屬性數(shù)據(jù)聚類算法CGP(ClusteringbasedonGraphPartition)。算法將每一行屬性值定義為一個