基于加权向量提升的多尺度聚类挖掘算法-JoS - 2nd.docVIP

基于加权向量提升的多尺度聚类挖掘算法( 苏东海1+，赵书良1，苏嘉庚1，李妍1 1(河北师范大学 计算机科学系，石家庄 450016) Weight Vector Based Multi-Scale Clustering Algorithm SU Dong-Hai1+, ZHAO Shu-Liang1, SU Jia-Geng1, LI Yan1 1(Department of Computer Science, Hebei Normal University, Shijiazhuang 450016, China) +Corresponding author: Phn: +86-13-785196270, E-mail: d.h_sue@, Abstract: Multi-scale clustering is the procedure clustering on data with multi-scale properties. Considering the 3rd approach of multi-scale mining: multi-scale convert of knowledge, with the help of scale convert in Earth Science and a skilled way of vectorization of multi-scale, algorithm WVB-MSCA(weight vector based multi-scale clustering algorithm) is presented. WVB-MSCA applies clustering algorithm on the basic scale which is selected in advance, and inverses the knowledge gained on basic scale to other scale which is interested. Experimental results show that algorithm WVB-MSCA is practicable and effective. Key words: multi-scale; scale convert; clustering data mining; multi-scale clustering 摘 要: 多尺度聚类挖掘是对数据的多尺度特点进行聚类的工作. 定义了一种将数据的多尺度特性进行向量化的方法, 结合地学领域的尺度转换机制, 依据多尺度挖掘的第三种途径: 知识的多尺度转换, 提出了一种新的基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA(Weight Vector Based Multi-Scale Clustering Algorithm). 该算法首先在选定的基准尺度上应用聚类算法, 获取聚类结果, 并借助尺度转换机制将基准尺度的聚类结果反演到其它感兴趣的尺度上. 实验表明, 基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA是可行和有效的. 关键词: 多尺度; 尺度转换; 聚类挖掘; 多尺度聚类 中图法分类号: TP301　　　文献标识码: A 年几十年来, 聚类作为数据挖掘领域中的重要研究内容得到了长足的发展, 目前有关聚类挖掘的研究已基本成熟, 而当前社会是一个“跨界”的社会, 将聚类挖掘技术应用于其它领域越来越受到学者们的重视, 多尺度科学作为一门新兴学科, 其相关研究也变得炙手可热, 将聚类挖掘同多尺度科学结合起来实现多尺度聚类挖掘变得越来越重要. 相关工作 多尺度数据挖掘 近些年，随着数据挖掘技术在其它科学领域的普遍应用和多尺度科学的兴起，多尺度数据挖掘受到了各界学者的广泛关注, 文献[4]对地学领域尺度转换的一般理论与方法进行了总结, 并把多尺度数据挖掘归为三种可行的途径: 在挖掘前将单一尺度的数据转换成多个尺度的数据, 然后对多个尺度的数据分别进行挖掘,即实现数据的多尺度转换; 在挖掘算法中引入调节尺度用的操作部件, 以控制挖掘出知识的尺度; 将挖掘出的单一尺度的知识转换成多个尺度的知识,即完成知识的多尺度转换. 聚类挖掘作为数据挖掘领域的一部分, 多尺度数据挖掘的三种途径也同样适用于多尺度聚类挖掘, 目前通过前两种途径实现多尺度聚类挖掘已取得很好的研究成果,而如何通过第三种途径实现多尺度聚类挖掘还很少涉足. 传统的多尺度聚类挖掘算法 多尺度聚类挖掘旨在实现在每一个用户感兴趣的尺度上获取聚类结果, 可用于天气预测, 交通拥挤预测, 动物迁移分析, 移动计算和异常点分析等方面. 文献[1]提出了一种基于回归混合模式概率算法来实现对轨迹数据进行