不确定性数据聚类方法和其应用研究.pdf

Classified Index: TP182 U.D.C: 621.3 Dissertation for the Doctoral Degree in Engineering RESEARCH ON UNCERTAIN DATA CLUSTERING AND APPLICATIONS Candidate ： Luo Qinghua Supervisor ： Prof.Peng Xiyuan Associate Supervisor ： Prof.Peng Yu Academic Degree Applied for ： Doctor of Engineering Speciality ： Instrument Science and Technology Affiliation ： Department of Automatic Test and Control Date of Defence ： December, 2012 Degree-Conferring-Institution ： Harbin Institute of Technology 摘 要 摘 要 随着网络化信息采集技术和无线信息传输技术在仪器及测试技术领域的普 遍应用，由环境干扰、测量误差、测量噪声、数据丢失（或者缺失）以及人为 等因素导致的不确定性数据问题逐渐成为影响数据处理可信度和系统可靠性的 主导因素之一，并成为研究热点。聚类是数据处理过程中特征形成和提取的重 要分析方法，因此很多学者针对不确定性数据聚类问题，从多个角度开展研究， 并取得了相应的成果。但是，不确定性信息难以获取、聚类方法效率低、数据 流模型与聚类模型间的“失配”，以及实际验证等问题仍然是目前不可回避的研 究挑战。鉴于此，本文重点考虑不确定性数据中最普遍的随机特性，针对上述 挑战开展不确定性数据聚类方法研究，并结合无线传感器网络（Wireless Sensor Networks ，WSN ）定位方法研究中必须解决的距离估计问题，实现对研究方法 性能的验证和评价，同时开展此类方法的应用研究。研究内容主要包括以下四 个方面： （1）针对基于分割的不确定性数据聚类方法存在不确定性信息难以获取、 聚类效率低的问题，提出一种基于区间数的多维不确定性数据聚类方法 UIDK-means （Uncertain Interval Data K-means ）。该方法利用区间数结合统计信 息来表示不确定性数据，采用一种低计算量的不确定性数据距离度量方法表示 不确定性数据间的距离，实现对静态多维不确定性数据的聚类。实验结果表明， 在保证聚类准确度的前提下，与其它相关方法比较，UIDK-means 具有更高的聚 类效率。 （2 ）针对动态不确定性数据流聚类方法存在的数据表示过于理想化、聚类 模型更新不当，易导致聚类模型和数据流模型之间 “失配”的问题，提出一种 不确定性数据流聚类方法UIMicro(Uncertain Interval Dat a Micro) 。该方法采用 统计信息与区间数相结合的不确定性数据流表示方法，通过可动态调整的两层 簇窗口聚类模型结构，实现聚类模型和数据流模型的实时匹配。实验结果表明， 相对于其它相关不确定性数据流聚类方法，UIMicro 具有良好的模型更新和匹 配能力，同时具有较高的聚类质量。 （3 ）在不确定性数据聚类方法研究的基础上，针对无线传感器网络定位中 存在到达信号强度指示（Received Signal Strength Indicator ，RSSI ）数据的不确 定性分析问题，提出一种基于不确定性数据聚类的静态距离估计方法 DEUDC （Distance Estimation with Uncertain Data Clustering ），该方法利用RSSI 的统计 信息来表示其分布