基于加权向量提升的多尺度聚类挖掘算法-REV-SLZ-1st.docVIP

基于加权向量提升的多尺度聚类挖掘算法 目录 第一章 绪论 3 1.1 选题背景及研究意义 3 1.2 国内外研究现状 4 1.2.1 聚类数据挖掘 4 1.2.2 多尺度数据挖掘 7 1.2.3 尺度转换 9 1.2.4 流动人口 10 1.3 论文的主要研究内容 11 1.4 论文组织与结构 13 第二章 聚类挖掘算法与尺度转换 14 2.1 聚类挖掘算法与分类 14 2.1.1 聚类数据挖掘 14 2.1.2 基于层次的聚类挖掘算法 15 2.1.3 基于划分的聚类挖掘算法 18 2.1.4 基于密度的聚类挖掘算法 19 2.1.5 基于模型的聚类挖掘算法 20 2.2 尺度转换理论与方法 21 2.2.1. 尺度转换的理论依据 21 2.2.2. 尺度转换方法 22 2.3 本章小结 23 第三章 基于加权向量提升的多尺度聚类挖掘算法 23 3.1 多尺度数据中尺度的向量表示 24 3.1.1. 尺度的相关定义 24 3.1.2. 尺度的向量表示 26 3.2 基于加权向量提升的多尺度聚类挖掘算法 28 3.3 算法中需解决的两个问题 29 3.3.1. 基准尺度的选取 29 3.3.2. 聚类挖掘算法及尺度转换方法的确定 30 3.4 基于加权向量提升的多尺度聚类挖掘算法的评价机制 33 3.4.1. 尺度转换的评价 34 3.4.2. 聚类结果的评价 35 3.5 本章小结 36 第四章 多尺度聚类挖掘算法在河北省全员及流动人口分析中的应用 36 4.1 河北省全员及流动人口概况 37 4.2 河北省全员及流动人口的多尺度聚类挖掘模式 37 4.2.1. 流动人口的多尺度聚类挖掘对象 38 4.2.2. 流动人口的数据清理 38 4.3 河北省全员及流动人口的预处理 38 4.3.1. 数据清理 38 4.3.2. 数据转换 39 4.3.3. 数据生成 39 4.4 多尺度聚类挖掘算法在河北省全员及流动人口分析中的应用 40 4.4.1. 辅助工具 40 4.4.2. 操作流程 40 4.4.3. 结果分析 41 4.4.4. 结论 45 4.5 本章小结 46 第五章 总结与展望 46 5.1 总结 46 5.2 工作展望 47 参考文献 48 致谢 51  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重要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。近些年多尺度作为新兴的研究内容而变得炙手可热，但是如何针对多尺度数据进行聚类还有待进一步研究。 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可，研究对象中具有多个尺度便称作多尺度特性，将多尺度和数据挖掘结合起来进行研究也大大地促生了数据挖掘领域的研究和发展。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]。针对途径1和2的多尺度数据挖掘研究已基本成熟，但存在的一个重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可以很好解决途径1和途径2的问题，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