基于粒計算的多尺度聚類方法.pdf

1、數(shù)據(jù)挖掘是指從海量數(shù)據(jù)中發(fā)現(xiàn)隱藏的、有價值的知識和規(guī)則的過程。聚類分析是其中一項重要的挖掘技術(shù)，已經(jīng)得到了研究人員的密切關(guān)注，并且在模式識別、金融經(jīng)濟分析、市場決策、圖像處理等領(lǐng)域有廣泛的應(yīng)用。多尺度科學(xué)是典型的跨學(xué)科課題，將多尺度科學(xué)引入數(shù)據(jù)挖掘領(lǐng)域，為數(shù)據(jù)挖掘領(lǐng)域的研究打開了新的思路和方向。
　　針對于多尺度數(shù)據(jù)挖掘多局限于空間、圖像數(shù)據(jù)的缺陷，本文以聚類為切入點，主要研究一般數(shù)據(jù)集的尺度特性以及多尺度聚類的理論和方法，目的是

2、多角度、多層次的對數(shù)據(jù)進行分析，為用戶提供多元化的決策支持。粒計算是解決復(fù)雜問題、挖掘海量數(shù)據(jù)的新方法。粒計算模擬了人類思考問題的方式，多層次分析問題，根據(jù)實際需要，時而從整體上分析宏觀特征，時而進入某一部分研究細(xì)節(jié)特點。這種“分而治之”的思想與多尺度聚類是非常契合的。因此，本文將粒計算作為宏觀層面的方法論基礎(chǔ)，指導(dǎo)多尺度聚類的算法設(shè)計，為多尺度聚類算法提供新的視角。
　　論文以粒計算中的等價劃分模型為基礎(chǔ)，構(gòu)建多尺度數(shù)據(jù)模型，為

3、多尺度聚類算法提供數(shù)據(jù)預(yù)處理方法;闡述尺度轉(zhuǎn)換、尺度效應(yīng)、尺度選擇的相關(guān)知識，研究多尺度聚類理論基礎(chǔ);提出多尺度聚類的定義，從粒子的角度分析多尺度聚類的實質(zhì)，最終構(gòu)建多尺度聚類體系結(jié)構(gòu)，為多尺度聚類提供算法框架;同時，基于信息粒度改進相似度計算方法，結(jié)合斑塊模型和IDW插值法，分別提出多尺度聚類尺度上推算法和多尺度聚類尺度下推算法。
　　本文以多尺度聚類為研究核心，主要完成了如下工作:
　　1)研究多尺度聚類理論基礎(chǔ)

4、　　針對目前多尺度聚類存在的問題，從多尺度數(shù)據(jù)模型、尺度轉(zhuǎn)換、尺度效應(yīng)、尺度選擇四個方面對多尺度聚類的理論基礎(chǔ)進行研究。首先，從粒計算中的等價劃分模型出發(fā)，分析數(shù)據(jù)集中的等價關(guān)系，并參考?；椒?，提出一般數(shù)據(jù)集尺度化的方法，并給出尺度、尺度劃分、多尺度數(shù)據(jù)集、祖-孫尺度、父-子尺度的數(shù)學(xué)定義;其次，歸納尺度轉(zhuǎn)換的原因和分類;然后，分析尺度效應(yīng)的定義以及尺度效應(yīng)的具體體現(xiàn);最后，給出多尺度聚類尺度選擇的三大原則和三個量化標(biāo)準(zhǔn)，為后續(xù)多尺度

5、聚類算法的實現(xiàn)提供基礎(chǔ)。
　　2)構(gòu)建多尺度聚類算法框架
　　首先，結(jié)合聚類和尺度知識，明確多尺度聚類的定義;其次，從粒子的角度分析多尺度聚類的實質(zhì)——知識的尺度轉(zhuǎn)換，指出多尺度聚類尺度轉(zhuǎn)換的對象應(yīng)該是能夠代表聚類的特征描述符，如簇心、簇內(nèi)相似度等;最后，搭建多尺度聚類體系結(jié)構(gòu)，歸納出多尺度聚類的三個階段:數(shù)據(jù)的多尺度轉(zhuǎn)換、知識的多尺度轉(zhuǎn)換、多尺度決策，為算法設(shè)計提供指導(dǎo)框架和實現(xiàn)思路。
　　3)提出多尺度聚類算法

6、r>　　首先，基于信息粒度提出改進的相似度計算方法。在此基礎(chǔ)上，根據(jù)多尺度聚類體系結(jié)構(gòu)，結(jié)合已有的尺度轉(zhuǎn)換方法，提出基于斑塊模型的多尺度聚類尺度上推算法UAMC((U)pscaling(A)lgorithm of(M)ulti-scale(C)lustering)和基于IDW插值法的多尺度聚類尺度下推算法DAMC((D)ownscaling(A)lgorithm of(M)ulti-scale(C)lustering)。
　　4)