中期检查基于加权向量提升的多尺度聚类数据挖掘.docVIP

硕士学位论文中期检查 基于加权向量提升的多尺度聚类数据挖掘 名业向师间 专方教 科究导姓学研指时 名业向师间 专方教 科究导 姓学研指时 计算机应用技术数据挖掘 赵书良教授 2013-03-27 基于加权向量提升的多尺度聚类数据挖掘 目录 TOC \o 1-5 \h \z HYPERLINK \l bookmark1 \o Current Document \h 基于加权向量提升的多尺度聚类数据挖掘 1 HYPERLINK \l bookmark4 \o Current Document \h 研究H的和意义 3 HYPERLINK \l bookmark5 \o Current Document \h 聚类挖掘是数据挖掘的一个重要研究方向 3 HYPERLINK \l bookmark6 \o Current Document \h 多尺度聚类挖掘是聚类挖掘研究的一个新方向 3 HYPERLINK \l bookmark7 \o Current Document \h 多尺度聚类数据挖掘面临紧迫要求。 3 国内外研究现状 3 HYPERLINK \l bookmark8 \o Current Document \h 多尺度数裾挖掘的三种途径 3 HYPERLINK \l bookmark9 \o Current Document \h 某于三种途径的多尺度聚类挖掘算法研究 4 HYPERLINK \l bookmark10 \o Current Document \h 主要研究内容 4 HYPERLINK \l bookmark11 \o Current Document \h 目前己完成情况 4 HYPERLINK \l bookmark12 \o Current Document \h 基于加权叫撒提升的多尺度聚类挖掘算法 4 HYPERLINK \l bookmark13 \o Current Document \h 基准尺度的选取准则 5 HYPERLINK \l bookmark14 \o Current Document \h 加权14量提升的权重的确定方法 5 HYPERLINK \l bookmark15 \o Current Document \h 尚未完成的工作 6 HYPERLINK \l bookmark16 \o Current Document \h 后期工作安排 6 1.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R的适将人景的数据对象按其￡）身的属性划分成若千类别，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川的信息以指导川户进行更 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，g在对数据的不M尺度进行 聚类，数裾的多尺度聚类挖掘主要表现在两个方ifti:时间尺度的可仲缩性和空间尺度的可扩 展性。使用P在不同的尺度层而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放川，聚类挖掘作为数据挖掘领域屮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广观察和分析数裾的要求。 为适应用户从多个尺度探索数据的紧迫耍求，提Hi 了一种基于加权A量提升的多尺度聚类挖 掘算法，以实现在多个尺度层沏对数椐进行聚类挖掘。 内外研究现状 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屮的尺度转换进行研究将数据的多尺度数 据挖掘归结为以卜三个途径： 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別进行 挖掘，即实现数裾的多尺度转换； b）在数据挖掘算法屮增加调负尺度用的操作部件，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为多个尺度的知识，即实现知识的多尺度转换。 基于三种途径的多尺度聚类挖掘算法研究 对数裾的多尺度特性进行聚类挖掘算法研究的方法主要集中于前两种途径，即实现数据 的多尺度转换。如施培蓓，郭玉堂等2011年通过比较聚类屮心与原点的距离和引入尺度参 数来控制数据点与聚类中心的距离的方法提ili了一种改进的K-Means聚类算法实现了多尺 度的i普聚类数据挖掘。 这种类型的聚类算法需要对数据的每一个尺度应用一次聚类挖掘算法，计算S大。而第 三种途径的多尺度聚类挖掘算法研究较少，刚好可以克服前两种途径的缺点。 主要研究内容 木文研究的核心是通过多尺度数据挖掘的第三种途挽，提出丼实现基于加权14景提升的 多尺度聚类数据挖掘算法。算法酋先对选定的基准尺度进行聚类挖掘，再通过加权向量提介 的尺度转换