656
电子与信息学报第27卷
将小于门限值的元素置零;矩阵中只保留各样本与若干最邻近样本间距离。
连接矩阵不能解决具有不规则形状的数据库聚类问题。CUI也(Clustering
Using
也是可变的,目前已经有商业应用的软件包。综合考虑聚类形成趋势、聚类分析和聚类有效性问题(聚类数目的合理性),将Besag和GIeaves提出的,平方空间抽样原理进行扩展,可以把聚类形成趋势和聚类有效性两个问题归纳为模式子集在特征空间的单峰检验问题,能有效降低算法复杂度底,便于实现超大规模数据库的聚类【91。单变量时间序列的聚类是一种有着广泛应用背景的特殊的聚类问题。为此,对每个时间序列建立描述其动态特征的Markov链模型,从而可以把对时间序列的聚类问题转化为对Markov链模型的聚类
Representatives)
算法
【1】
和
CHAMELEON算法【21较好地解决了这个问题。CURE算法用几个具有代表性的分散点表示各类,通过选取适当的点代表任意形状的类,在迭代过程中收缩代表点,使之向几何质心靠拢,以进一步减少外来点(outlinerS)的干扰。该算法主要用于低维空间数字属性聚类。cHAMELEoN算法利用动态模型进行凝聚,以连接图G取代稀疏连接矩阵,保留每个样本与最邻近的七样本之间的距离,其余的样本间距离被删除。分裂聚类算法适用于文档数据库挖掘和信息修复等应用,其中最常用的是PDDP(PrincipalDirection
Divisive
问趔m】。将模糊聚类与基于Naj『ve
Bayes的EM分类算法相
结合,能够大大提高EM分类算法的准确型11】。
目标函数法通过优化目标函数(类间距离、类内距离或者其它表达式)进行聚类,运算复杂度是O(Ⅳ)(Ⅳ为样本总数,下同)。目标函数算法又分两类:K.Medoids算法和K.Means算法。
K.Medoids算法以类中最合适的样本代表该类,可处理任意属性的数据且能屏蔽外来干扰。选取代表样本后,将该
Panitioning)算法【31。它采用了奇异值分解(SVD)进行分裂聚类。该算法利用超平面在欧几里德空间将数据集两等分,该超平面通过数据质心并与对应于最大奇异值的特征向量正交。
传统的分层聚类算法在凝聚或分裂后没有优化过程,不能随着处理时间的增加改善聚类效果。在字符属性聚类中最
样本周围的样本子集作为一个类,目标函数是该代表样本与其周围样本之间的平均距离或其它非相似性度量。两种较早提出的K.Medoids算法是PAM(PartitioningAmundMedoids)算法和CLARA(Clustering
LARge
为常用的coBwEB算法【4】贝0较好地克服了这个缺点,它采
用增量学习方法建立动态系统树图,每次处理一个数据,是基于模型的无督促学习过程。2.2分割聚类算法
分割聚类是应用范围最广的聚类,通常采用贪婪算法迭代优化以降低运算量并能得到较好的聚类效果。分割聚类算法分为3类:概率模型算法、目标函数算法和模糊目标函数算法。
概率模型算法将类看成参数未知的模型,将数据看成从多概率分布混合模型中抽取的样本。分布模型中每个单峰值周围区域内的点属于一个类。因此,类与相应的分布参数(均
Applications)算法【121。PAM
算法对每个样本综合考虑了将其指定为代表样本或将其分配给某个类对目标函数的影响,计算复杂度高。CLARA算法利用几个样本组,用PAM算法处理每个样本组,将得到的结果作为整个数据库的代表样本并再次优化目标函数。CLARANS(Clustering
Large
Applications
based
upon
RANdomizedSearch)算法【”】是一种更复杂的K.Medoids算
法,用于处理空间数据。该算法通过图的方法寻找局部最优解,复杂度为D(Ⅳ2),采用R.树分批处理数据可将CLARANs算法推广到对超大规模数据库聚类。
值、方差等)相关,每个样本不仅带有其本身的属性,还有
一个隐藏的类标号。聚类结果具有较好的可解释性。概率模型算法的特点是混合模型可以推广到不同种类数据的聚类。这在实际应用中很重要,因为一个单独的处理对象可以包含
K.Means算法是应用最为广泛的聚类算、法【14,‘51。该算法
以类中各样本的加权均值(称为质心)代表该类,只用于数字属性数据的聚类,算法有很清晰的几何和统计意义,抗干扰性较差。通常以各样本与其质心欧几里德距离总和作为目标函数,也可将目标函数修改为各类中任意两点问欧几里德
不同长度不同种类的多变量动态数据。这些动态数据构成的
距离总和,这样既考虑了类的分散度也考虑了类的紧致度。
有限序列服从一阶马尔可夫模型,该模型的转换矩阵由类决7定。该类型算法中比较有代表性的是EM(Expectation.
如果将目标函数看成分布归一化混合模型的似然率对数,K.Means算法就可以看成概率模型算法的推广。
K.Mealls的迭代优化有两种方式:(1)随机选定七个样本作为质心,根据目标函数将各样本分配给相应的质心;重新计算各类的质心;根据目标函数重新分配各样本属于哪个
Ma)【imization)算法【51,sNOB算洲61。这两种算法有固定的混
合分布模型,此外AuTOcLASS算法【71和MCLusT算法【8】也是该类型的重要算法,其混合分布模型是可变的,类数目
万方数据
一种有效的用于数据挖掘的动态概念聚类算法_经济学_高等教育_教育专区。数据挖掘一种有效的用于数据挖掘的动态概念聚类算法郭建生, 赵奕, 施鹏飞 ( 上海交通大学 ...
数据挖掘中的聚类算法综述 4页 免费 用于数据挖掘的聚类算法 8页 免费 数据挖掘...综述 现代制造工程 2009 年第 3 期 数据挖掘聚类算法研究喻彪 ,骆雯 ,赖朝安...
?10? 计算机应用研究 2007 年 数据挖掘中的聚类算法综述贺 , 吴玲达 , 蔡益朝...聚类算法 、 基于约束的聚类算法 、机 器学习中的聚类算法以及用于高维数据的...
一 数据挖掘的聚类方法+行小帅n2 焦李成2【I J西师范大学物理与信息工稃学院...提出能发现任意形状簇的算法是很重要的。I 4)用于决定输入参数的领域知识最小...
数据挖掘中聚类算法的研究_专业资料。目前对聚类算法的研究越来越多,在数据挖掘领域,聚类面临着新的形势。总结了数据挖掘中主要的传统聚类算法,介绍了聚类方法的最新...
数据挖掘中的聚类算法综述_兵器/核科学_工程科技_专业资料。10 计算机应用研究 ...遗传算法 子空间聚类 用于高维数据的聚类算法 联合聚类 层次聚类算法 1 引言随着...
数据挖掘聚类算法一览聚类分析是数据挖掘中的一个很活跃的研究领域,并提出了许多...用于数据挖掘的聚类算法 8页 免费 数据挖掘中的聚类算法综... 4页 免费 EM聚类...
的基本操作, 可以用于分类( 无监督) 、 聚合和分 割、 剖析、 数据缩减、 ...第5期 张红云, 等: 数据挖掘中聚类算法比较研究 ! 365 ! 类特征树来求聚类...
26 2 M ar. 2005 数据挖掘中聚类分析算法研究赵法信 , 王国业摘 与评估 1...据挖掘的蓬勃发 展 数据挖掘中一个重要的组成部分, 主要用于在 潜在的数据中发...
热门文档