基于加权向量提升的多尺度聚类挖掘算法-ORI.docVIP

基于加权向量提升的多尺度聚类挖掘算法 摘要 数据挖掘（Data Mining，DM）是从包含相对复杂结构的海量动态数据库中提取潜在的、未知和有用知识的过程，因此也被称作数据库中的知识发现（Knowledge Discovery in Database，KDD）[1]。在数据挖掘中，知识是用户感兴趣的模式或规则，可以是一种数据集中的关系描述，也可以是单条数据记录或特定出现频率的数据记录的关系描述。数据挖掘广泛地应用于科学、经济等各个领域，包括数据管理、机器学习、专家系统中的知识获取、模糊逻辑、神经网络和基因计算算法等。聚类[2]（Clustering）在Everitt于1974年首次提出以后，作为数据挖掘领域中的重要研究内容得到了长足的发展，聚类作为数据挖掘研究的一部分主要实现以下目的：将数据集中的实体分成若干的类簇，以达到一个类簇内的实体是相似的，而不同类簇内的实体是不相似的。学者针对不同的应用问题提出了不同的聚类算法，由此可见聚类算法的非普适性，而近些年多尺度作为新兴的研究内容而变得炙手可热，如何针对多尺度数据进行聚类还鲜有涉足。 尺度（Scale）是在研究某一事物或现象所采用的时间或空间单位，也可以是某一现象或过程在时间或空间上发生的频率和触及范围。尺度主要指空间尺度和时间尺度两个方面，在时间范围内，尺度常用来描述时间幅度，进而有粗尺度和细尺度之分，而在空间范围内，尺度常用来描述空间大小，进而有大尺度和小尺度之分[3]-[4]。尺度作为研究对象中普遍存在的特征已逐渐得到公众的认识，研究对象中多个尺度便称作多尺度特性，将数据挖掘和多尺度结合起来进行研究也达大地促生了数据挖掘领域的研究和发展。而研究多尺度数据挖掘的途径一般有三种：1、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，即完成数据的多尺度转换；2、在挖掘算法中增加调节尺度用的操作部件，来控制挖掘出知识的尺度；3、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[4]。针对于途径1和2的多尺度数据挖掘研究已基本成熟，并且存在的一个最大的问题就是需要在每一个检测出的尺度上应用聚类挖掘算法，需要更多的计算内存和更高的时间复杂度，而途径3刚好克服了1和2的缺点，但目前还很少有人研究。 根据多尺度数据挖掘的3种途径，本文主要研究了通过将挖掘出的单一尺度的知识转换成多个尺度的知识来完成多尺度聚类挖掘。进而提出了基于加权向量提升的多尺度聚类挖掘算法VMB-MSCA，在该算法中，首先提取数据的多尺度特性，进而确立聚类中的基准尺度，在此基准尺度上应用聚类算法，并获取聚类结果，再应用尺度转换算法以基准尺度上的聚类结果推演出其它尺度上的聚类结果，进而完成多尺度聚类挖掘过程。在论文的最后，通过人工模拟数据和真实数据的实验对本文提出的算法进行了验证，结果显示该算法具有传统的多尺度聚类挖掘算法一样好的聚类效果和更少的计算时间和空间复杂度。 关键词：多尺度、多尺度转换、聚类挖掘、多尺度聚类 绪论 选题背景及研究意义 随着Internet的普遍应用及各种信息化的到来，各类数据急剧膨胀，人们日益被湮没在海量的存储数据当中而不知所措，因此如何从海量而繁杂的数据当中发现有价值的有用信息或知识一直以来受到国内外学者的密切关注和倾力研究。人类产生的数据除了海量的，更是多样的，有存储和处理人类行为的结构化数据、有存储卫星图像的卫星数据、有存储Internet网站的网页数据、更有近些年流行起来的微博数据等。归纳起来这些数据包括存储于关系数据库中的结构化数据、和存储在网络当中的非结构化数据。如何从海量而且结构多样的数据中提取有且于人类发展的有用信息一直困扰着人类，数据挖掘正是为解决此类问题而迅速发展起来的。数据挖掘（Data Mining，DM）是从包含相对复杂结构的海量数据库中提取潜在的、未知的和有用的知识和规则的过程，因此也被人们习惯地称作数据库中的知识发现KDD（Knowledge Discovery in Database）。 通过将数据挖掘技术应用于解决人类面临的数据爆炸问题已游刃有余，然而如何针对数据的特殊性进行数据挖掘进而更好地指导人类研究与决策值得深思。如河北省计生委为适应国家信息化地要求，已于【】年开始并基本完成了河北省全员及流动人口信息的录入与采集工作，这些数据涵盖了河北省7000多万人员的基本信息及扩展信息，其中育龄妇女信息达【】项，而这些信息基本都包含了每个人员的地进位置信息及各类行为的时间信息，即河北省全员人口信息具有多尺度特性。如人员居住及管理信息归属于空间尺度方面，而人员的迁入迁出信息归属于时间尺度方面，而政府的政策决定的实施也有相应的多尺度特性，如针对于县市级的决策不一定适用于地市级，针对于村级的决策不一定适用于乡县级，且针对于A