基于數(shù)據(jù)場(chǎng)的劃分聚類算法研究.pdf

1、聚類分析是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域中的研究熱點(diǎn)之一，其目的是根據(jù)物理或者抽象對(duì)象間的相似性將數(shù)據(jù)對(duì)象劃分成不同的類別，使同一個(gè)聚類形成的簇中的對(duì)象具有較高相似度，不同簇中的對(duì)象相似度較低。聚類技術(shù)在圖像分割、文本分析、空間數(shù)據(jù)知識(shí)挖掘以及其他諸多領(lǐng)域都有廣泛的應(yīng)用前景。
　　聚類算法主要分為基于劃分的方法、基于層次的方法、基于密度的方法、基于模型的方法和基于網(wǎng)格的方法等等?；趧澐值姆椒ê?jiǎn)單有效，易于操作，但由于算法需要預(yù)先指定聚類

2、數(shù)目，極大地影響了原始數(shù)據(jù)聚簇的形態(tài)分布，同時(shí)算法還存在聚類結(jié)果對(duì)初始簇類中心選擇敏感、對(duì)噪聲適應(yīng)性差、不能發(fā)現(xiàn)任意形狀的簇等缺點(diǎn)。基于密度的方法主要優(yōu)點(diǎn)是具有良好的可擴(kuò)展性，可以發(fā)現(xiàn)任意形狀的簇，對(duì)噪聲數(shù)據(jù)不敏感，但是聚類結(jié)果嚴(yán)重依賴于用戶參數(shù)的合理選擇。
　　因此，本文結(jié)合數(shù)據(jù)場(chǎng)理論，利用數(shù)據(jù)場(chǎng)反映數(shù)據(jù)間多對(duì)一作用關(guān)系的優(yōu)勢(shì)，研究了基于數(shù)據(jù)場(chǎng)的聚類算法。主要工作內(nèi)容包括以下三個(gè)方面：
　?。?）結(jié)合數(shù)據(jù)場(chǎng)理論，依照簇類中

3、心被具有較低勢(shì)值的鄰居點(diǎn)包圍，且與具有更高勢(shì)值的其它數(shù)據(jù)對(duì)象有相對(duì)較大的距離的規(guī)律，計(jì)算每個(gè)數(shù)據(jù)對(duì)象的勢(shì)值和距離值，作出勢(shì)值與距離的分布圖，并從中確定數(shù)據(jù)的聚類中心，不需要預(yù)先設(shè)置聚類中心的數(shù)量，同時(shí)能夠自動(dòng)聚類中心的位置。等聚類中心確定后，將其余點(diǎn)按到最近鄰的更高勢(shì)值對(duì)象的最小距離進(jìn)行劃分，只需要一次劃分就可以完成整個(gè)聚類過(guò)程，獲得最終結(jié)果。通過(guò)與K-means算法、DBSCAN算法和數(shù)據(jù)場(chǎng)聚類算法的性能比較，結(jié)果表明提出的算法具有較

4、好的聚類結(jié)果。
　?。?）為了解決傳統(tǒng)聚類算法對(duì)混合屬性數(shù)據(jù)聚類時(shí)存在結(jié)果不穩(wěn)定、隨機(jī)性大、準(zhǔn)確度不高等缺陷，對(duì)現(xiàn)有算法進(jìn)行擴(kuò)展，提出了基于數(shù)據(jù)場(chǎng)和屬性重要性的混合屬性數(shù)據(jù)聚類融合算法（DF_SPCA），根據(jù)獲取的數(shù)據(jù)對(duì)象信息，利用歐式距離計(jì)算數(shù)值屬性相似性，對(duì)于分類屬性，根據(jù)分類屬性間的共現(xiàn)概率，分析分類屬性的重要性，以此計(jì)算分類屬性間的距離，采用現(xiàn)有的數(shù)據(jù)場(chǎng)聚類算法對(duì)數(shù)值屬性和分類屬性分別獲得聚類成員，采用基于交集的融合策略獲

5、得最終的聚類結(jié)果。通過(guò)與K-prototypes算法、K-modes算法以及SBAC算法的性能比較，結(jié)果表明提出的算法具有較好的聚類結(jié)果。
　?。?）為了探索DF_SPCA算法的實(shí)際應(yīng)用能力，研究了如何利用DF_SPCA算法基于基站定位數(shù)據(jù)進(jìn)行商圈分析。通過(guò)基站得到定位數(shù)據(jù)，將數(shù)據(jù)規(guī)約并變換成需要利于挖掘商圈信息的數(shù)據(jù)形式，主要分析基站覆蓋范圍的人流量及人均停留時(shí)間等重要特征，利用聚類算法對(duì)定位數(shù)據(jù)進(jìn)行聚類分析，能夠識(shí)別出不同的商