基于划分和密度的聚类算法研究-计算机应用技术专业论文.docxVIP

独创性声明本人声明所呈交的学位论文是本人在导师指导’F进行的研冤工作及取得的 独创性声明 本人声明所呈交的学位论文是本人在导师指导’F进行的研冤工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得噎纤筘求磬域其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示谢意． 学位论文作者签名： 撇 签字日期：20J J 年歹月／o 日 学位论文版权使用授权书 本学位论文作者完全了解奶敦大孕有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅·本人授权腑以将学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 (傈密的学位论文在解密后适用本授权书) 学位论文作者签名：于疆，＆ 导师签名： 签字日期：乃If年岁月／p日 签字日期： 矽『『年f月f p日 学位论文作者毕业去向： 工作单位： 电话： 涵讯地如E： 邮编： 摘要 摘要 mI I I 11111 IIIIII III 111 111111 ＼1 974784 摘要 近年来随着信息产业的迅速发展，数据挖掘得到了广泛的应用．数据挖掘主 要包括关联分析，分类，聚类等应用。聚类是数据挖掘的一个重要研究方向。传 统的聚类算法包括划分方法、层次方法、基于密度方法、基于网格方法和基 于模型方法。聚类可以有效处理大量复杂没有类标志的数据集，广泛应用于 金融业，生物学，天文学等多个领域。 本文首先介绍了数据挖掘的相关概念，然后详细介绍了传统的聚类算 法，划分聚类和密度聚类比较常用，但是传统的聚类算法本身存在许多问题， 比如容易受数据输入顺序影响以及孤立点影响等，降低了聚类的质量。所以 本文主要对K-Means算法和DBSCAN算法进行分析和研究，提出改进思想，从而 有效的提高算法质量。 K-Means算法是一种经典的聚类算法，有很多优点，也存在许多不足。比如 初始聚类数K要事先指定，初始聚类中心选择存在随机性，算法容易生成局部最 优解，受孤立点的影响很大等。本文主要针对K-Means算法初始聚类中心的选择 以及孤立点问题加以改进，首先计算所有数据对象之间的距离，根据距离和的思 想排除孤立点的影响，然后提出了一种新的初始聚类中心选择方法，并通过实验 比较了改进算法与原算法的优劣。实验表明，改进算法受孤立点的影响明显降低， 而且聚类结果更接近实际数据分布． DBSCAN算法是一种基于密度的聚类算法，可以在带有噪声的环境下发现任 意形状的类。但是算法对输入参数Eps敏感，DBSCAN由于采用全局Eps值，所 以在数据密度不均匀和类间距离相差比较大的情况下，聚类质量会受到很大影 响。本文主要针对算法输入参数Eps以及数据密度不均匀问题加以改进，提出了 一种新的数据分区方法，通过对k—dist图纵坐标距离值单维度聚类，然后对比 横坐标实现分区，使每个分区的数据尽可能均匀．实验证明，改进算法明显缓解 了全局Eps导致的聚类质量恶化问题，聚类结果更加准确。 关键词：数据挖掘，聚类分析，K-Means算法，孤立点，DBSCAN算法，数据分区 基于划分和密度的聚类算法研究。Abstract 基于划分和密度的聚类算法研究 。Abstract In recent years，wim the development of IT industry，data mining has been applied widely．Data mining mainly includes correlation analysis，categories，clustering and SO on．Clustering is an important research direction for data mining．The tradition clustering algorithm includes partition-based method，level method，density-based method，grid-based method and model-based method．Clustering can effectively deal 丽m a large number of data which have not sign of class，Clusterin