基于劃分方法的大規(guī)模數(shù)據(jù)高效聚類算法的研究.pdf

1、在基于劃分方法的聚類算法中，k-means算法因為簡單易實現(xiàn)的特點而得到廣泛的應(yīng)用。然而它存在諸多的缺點特別是對于大規(guī)模數(shù)據(jù)不能進行有效的聚類分析。本文主要研究了如何在k-means算法中應(yīng)用網(wǎng)格的思想，如何改進網(wǎng)格方法中存在的問題，以及如何改進k-modes聚類算法并如何將其應(yīng)用到軟件安全檢測的問題。這些問題的研究在模式識別、數(shù)據(jù)分析、市場研究以及其它與聚類相關(guān)處理過程的分析中具有重要的意義。
　　首先，本文提出了一種基于網(wǎng)格密

2、度的改進聚類算法 CABGD。在CABGD中，提出了網(wǎng)格中心密集度概念，通過計算網(wǎng)格中心密集度的值來識別網(wǎng)格內(nèi)數(shù)據(jù)的分布，解決了傳統(tǒng)網(wǎng)格算法中由于人為劃分網(wǎng)格不當而導(dǎo)致聚類精度降低的問題。這種算法在聚類精度上優(yōu)于傳統(tǒng)基于網(wǎng)格的聚類算法。
　　其次，提出了一種基于網(wǎng)格的改進的k-means聚類算法IKMG。將單個網(wǎng)格作為基本的處理單元，同時應(yīng)用并進一步改進了中心密集度概念，并設(shè)計了一種新的數(shù)據(jù)結(jié)構(gòu)—聚類樹。通過聚類樹來組織和調(diào)整聚類

3、簇，樹的生成合并過程就是聚類過程。最終生成k個聚類樹即聚類結(jié)果。在聚類大規(guī)模數(shù)據(jù)時，IKMG較傳統(tǒng)的k-means算法有更高的時間效率，能發(fā)現(xiàn)任意形狀大小的簇，無需人為指定k值的優(yōu)點。
　　最后，設(shè)計了一種相似特征樹的數(shù)據(jù)結(jié)構(gòu)SFT，SFT作為一種軟件故障檢測的工具，主要用來提高軟件安全檢測的效率。為了構(gòu)建SFT，提出了一種改進的k-modes聚類算法IKMD。在算法IKMD中，初始眾數(shù)的選擇進行于聚類的整個過程中。聚類結(jié)果以k棵