函数型数据的分步系统聚类算法地研究.pdfVIP

摘 要 在许多研究和应用领域，数据呈现海量性、连续性等特点。在这种条件下， 传统的数据处理方法已经难以满足现今社会数据分析的需要。函数型数据的产生 为现代数据分析提供了新的思路，一方面能够有效降低海量数据的存储空间，并 且可以借助函数方法对数据进行有效分析。但是函数型数据的研究发展时间较 短，各种方法还不是很完善。本文就函数型数据的聚类分析，提出分步系统聚类 算法，并对其应用做深入研究。 论文首先阐述了函数型数据分析步骤以及常用的聚类方法。函数型数据聚类 方法大多从数据的实际距离出发进行聚类，没有体现函数型数据的特点，不能充 分利用数据信息。论文针对该问题提出了分步系统聚类算法，给出了函数型数据 距离、均值的定义，详细阐述了分步系统聚类算法的具体步骤：首先，利用函数 型数据间的实际距离进行聚类，然后，利用函数型数据的导函数距离对结果进一 步聚类。为了检验方法的有效性，论文进行随机模拟，并用CR 指数将其和传统 方法进行了比较。最后，论文将函数型数据的聚类算法应用到实证研究，对世界 国家通过人均GDP 进行了划分，将结果同真实划分进行对比。根据函数型数据 的特点，论文结合聚类分析，提出了函数型数据预测的可行方法，并验证该方法 的可行性。 随机模拟和实证研究表明，分步系统聚类算法能够在充分利用数据信息的条 件下，对数据进行有效划分，在实际应用也体现出良好的应用价值。 关键词：函数型数据；聚类分析；系统聚类；分步聚类 ABSTRACT In recent decades, the data in many research and application areas present large quantity and continuity. The tradition data processing methods have been difficult to meet the need of data analysis. The generation of functional data provided a new way to the data in the modern world. The functional data on the one hand can effectively reduce the amount of the data store space; on the other hand it can make use of functional methods to process the history data. However, the time of functional data development is much shorter than others, which cause that its method is not perfect. This paper presented step-by-step Hierarchical clustering method and made in-depth study for its application. At first, the paper presented the functional data analysis and the existing clustering methods. These methods mostly uses distance between data to cluster, which doesn’t reflect the characteristics of functional data and doesn’t make full use of the information of the data. In order to solve the problem, this paper advanced the step-by-step Hierarchical clustering method, presented the definition of the mean and distance of functional data and gave the specific step of the method in detail : cluster by the distance of functional data at first, and go