基于共享最近邻的聚类算法的研究与应用-计算机科学与技术专业论文.docxVIP

月污呈现掘 月污呈现掘 研究生学位论文独创性卢明和版仪使用授权 1) lUI.......rx 撞倒罐唰 本人声明.虽寰的蜡宜 ...人在俑P F远行的嚼究 I作及取侧的研究 咿翩翩鼠标注4…的撞方外.It文中不包含他人已 .. 蝠尴剿究lUI..率也舍先...官敏宵枫钩的学位 II证韬丽使用 同时蟹.申圃申.，..文金主撞靡). *.. 同时蟹.申圃 摘要 摘 要 万方数据 万方数据 桂林理工大学硕士学位论文 桂林理工大学硕士学位论文 本文针对现有的共享最近邻聚类算法，提出一种新型的基于共享最近邻的聚 类算法，并将改进后的算法应用到真实数据集和零件的组合过程中。通过聚类结 果和实验仿真表明，本文提出的共享最近邻算法能够提高算法有效性，同时节省 算法执行时间。 为了避免求 k-最近邻带来的庞大计算量，本文提出一种 k-最近邻空间划定 方法，降低算法的整体时间复杂度。根据先验知识给出待划分维的数目，在确定 个数的特征向量上进行操作，有利于减少求点对之间距离所需的计算量。根据方 差最大化原理确定待划分的维，在较为离散的数据分布中获得相对理想的划分效 果，使其能够最大程度地代表数据对象的基本特征，同时提高搜索效率。最后， 对确定的维进行基于密度的划分，每个数据对象在其数据空间范围内对 k-最近邻 进行求取。该 k-最近邻空间划定方法极大地减少算法的计算量，在保证结果精度 的前提下大大提高算法执行效率。 传统的共享最近邻定义只针对共享数据对象的个数，并没有充分考虑距离带 来的影响，具有一定的局限性。改进后的共享最近邻综合考虑数据对象距离远近 和个数两个因素，通过权值的方式对邻近性度量进行优化，体现其距离意义，使 度量标准更符合实际要求。 在 k-最近邻空间划定方法和改进后的共享最近邻定义的基础上，本文提出一 种新型的基于共享最近邻的聚类算法。通过在真实数据集 Iris 和 Pendigits 上的聚 类实验表明，优化后的算法运行速度更高、聚类结果更准确，其优势在大规模数 据集中体现地更加明显。 将改进后的算法应用到零件组合的实验中，以聚类后的簇为单位进行组合， 有效地避免传统的以零件为单位进行组合带来的庞大计算量。通过两种算法在零 件组合实验中的运行结果可知，改进后的聚类算法具有更高的聚类精度，同时大 大减少算法的运行时间。为了更好地适应实际的大批量生产模式，使用改进后的 算法对不同规模数据集和不同维度数据集进行聚类。通过实验仿真结果可知，本 文提出的共享最近邻算法具有较高的可伸缩性。 关键词：聚类分析，共享最近邻，k-最近邻，方差最大化，大批量生产 I A Abstract 桂林理工大学硕士学位论文 桂林理工大学硕士学位论文 According to the problems existing in the traditional shared nearest neighbor clustering algorithm, this paper proposes a new clustering algorithm based on shared nearest neighbor. The improved algorithm is applied to the real data sets and the combination experiment of mechanical parts. The clustering results and experimental simulations show that the proposed shared nearest neighbor algorithm improves the algorithm validity as well as reducing the execution time. In order to avoid the large amount of calculations caused by k-nearest neighbor, this paper proposes a kind of k-nearest neighbor space divided method. This method reduces the whole time complexity of the algorithm. According to the priori knowledge, the number of dimensions to be divided is given. The operations on these feature vectors can reduce the calculated amount of distances between p