阅读量：

463

作者：

李仁义

展开

摘要：

随着数据的收集与存储技术的快速发展,使得目前世界上的各个组织机构可以存储海量的数据.正是因为数据量的巨大,也使得传统的靠人工分析技术遇到了发展瓶颈,怎样从海量数据中高效的发现有价值有意义的信息已经成为数据挖掘的主要研究方向以及驱动其快速发展的一个重要因素.作为一个新兴的交叉学科,聚类分析技术以其在数据挖掘过程中的独特地位以其在现实生活中的广阔应用,使其成为目前一个十分活跃的研究方向.从目前的情况来看,所有的聚类算法几乎都是针对特定数据对象所设计的,没有一种算法能够做到"放之四海而皆准",每一种聚类算法都起自身的优点和局限性. 本文在简单介绍了数据挖掘的相关知识之后,重点介绍了数据挖掘的聚类分析方法,并且以聚类分析算法的分类为基础,详细介绍了每种聚类分析算法中的典型聚类算法,并且给出了各种典型算法的优缺点的介绍. 在对聚类分析技术有深入了解之后对聚类分析的DBSCAN算法,层次聚类算法模糊聚类分析的传递闭包算法与实际应用相结合做了若干数值试验,得出了一些有价值的实验结果,对传统的K-means算法本文结合了基于密度的思想,给出了一种改进算法,进而提高了K-means算法的聚类稳定性,同时给出了一种改进的子空间聚类算法的思想,以及在选择聚类算法时应考虑的因素给了一点建议.

展开

关键词：

数据挖掘 模糊聚类 K-means算法 数值试验

学位级别：

硕士

学位年度：

2012

DOI：

CNKI:CDMD:2.1012.471199

被引量：

81