中期检查-打印.docVIP

研究目的和意义 聚类挖掘是数据挖掘的一个重要研究方向，聚类挖掘的目的是将大量的数据对象按其自身的属性划分成若干类别，以保证同类对象间尽可能相近，而类间对象尽可能相异，从中发现一些对用户有用的信息以指导用户进行更深层次的数据挖掘或分析。因此，有效地进行聚类挖掘至关重要。 多尺度聚类挖掘是聚类挖掘研究的一个新方向。多尺度聚类挖掘是针对数据的多尺度特性进行的聚类挖掘，旨在对数据的不同尺度进行聚类，数据的多尺度聚类挖掘主要表现在两个方面：时间尺度的可伸缩性和空间尺度的可扩展性。使用户在不同的尺度层面对数据进行观察与分析。 多尺度聚类数据挖掘面临紧迫要求。随着数据挖掘技术的普及和应用，聚类挖掘作为数据挖掘领域中的重要技术而得到广泛的应用，然而仅从数据的单一尺度进行的聚类挖掘已不能满足用户观察和分析数据的要求。为适应用户从多个尺度探索数据的紧迫要求，提出了一种基于加权向量提升的多尺度聚类挖掘算法，以实现在多个尺度层面对数据进行聚类挖掘。 国内外研究现状 多尺度数据挖掘的三种途径。孙庆先，方涛，郭达志等通过对空间数据挖掘中的尺度转换进行研究将数据的多尺度数据挖掘归结为以下三个途径： a)在挖掘前将单一尺度的数据转换为多个尺度的数据，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； b)在数据挖掘算法中增加调节尺度用的操作部件，以控制挖掘出的知识的尺度； c)将挖掘出的单一尺度的知识转换