動態(tài)數(shù)據(jù)挖掘中的演化聚類算法的研究.pdf

1、隨著信息技術(shù)的發(fā)展，數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域越來越廣泛，傳統(tǒng)的數(shù)據(jù)挖掘都是從靜態(tài)數(shù)據(jù)庫中發(fā)現(xiàn)知識，但是應(yīng)用領(lǐng)域的數(shù)據(jù)大都是動態(tài)的，數(shù)據(jù)庫中的數(shù)據(jù)都是隨時間而變化的，采用聚類方法對數(shù)據(jù)進(jìn)行聚類，如果每次數(shù)據(jù)更新后，都對數(shù)據(jù)集重新聚類，一方面是代價太大；另一方面，因未利用前一次聚類的有關(guān)信息，而導(dǎo)致了計(jì)算資源的浪費(fèi)，因而，設(shè)計(jì)動態(tài)增量演化聚類算法以提高聚類效率成為必要。本文將人工免疫與分形理論應(yīng)用于聚類，針對動態(tài)數(shù)據(jù)集提出了兩種動態(tài)聚類演化算法。

2、本文所做的工作和主要創(chuàng)新點(diǎn)為：
　?。?）將核函數(shù)引入到人工免疫聚類中，提出了一種基于核函數(shù)的人工免疫動態(tài)聚類算法KAIDA，KAIDA通過核函數(shù)方法將數(shù)據(jù)映射到高維特征空間，在高維空間中計(jì)算新增抗原數(shù)據(jù)與已有記憶抗體之間的核空間距離，通過其與記憶抗體中心點(diǎn)識別半徑的比較，決定新抗原數(shù)據(jù)是歸到已有類中，還是對其形成一個新類。實(shí)驗(yàn)表明，KAIDA算法能有效的實(shí)現(xiàn)數(shù)據(jù)集的自組織動態(tài)聚類，且與相應(yīng)的未引入核函數(shù)的人工免疫算法相比，能更好

3、地減少非同類數(shù)據(jù)混合分到一起的數(shù)目，具有更高的分類準(zhǔn)確率。為避免記憶抗體分布過于集中，且提高聚類結(jié)果的壓縮率，引入了記憶抗體免疫抑制以優(yōu)化算法，實(shí)驗(yàn)證明，優(yōu)化方法提高了聚類結(jié)果的壓縮率，增加了算法的合理性。
　　（2）提出了一種基于人工免疫與分形的動態(tài)演化聚類算法，該算法考慮到分形聚類對初始聚類結(jié)果的敏感性，以及使用人工免疫核聚類方法對數(shù)據(jù)集進(jìn)行聚類的高準(zhǔn)確率，選用人工免疫核聚類方法對數(shù)據(jù)集進(jìn)行聚類形成分形的初始聚類結(jié)果，選取密度