5-基于尺度转换机制的多尺度聚类挖掘算法-.doc

5-基于尺度转换机制的多尺度聚类挖掘算法-.doc:..基于尺度转换机制的多尺度聚类挖掘算法引言聚类挖掘足数据挖掘研究领域重要的纟II成部分,而多尺度聚类挖掘足解决打打多尺度特性的空间或时空数据的挖掘算法,亦将数据挖掘理论研究推叫了另一个新的研究层次与方句。在国外,针对空间或时空数据的多尺度特性进行的研究大多集中于多尺度效应与多尺度建模方面等应用方面,如以1h监督多尺度数据流算法基丁数据驱动的数据流对涉及吋间尺度的数据流进行趋势预测[4],并将这种算法成功地成用于股票数据的分析。另杏学者将平稳小波变换应用于多尺度分析提出了极用性强的尺度选择方法进而构建了两种分类器一SVM分类器和Bayes分类器[5]。通过引入多尺度超像素分割生成屮间点,有学者提ill了一种从杂乱影像屮恢复和分组物体对称部分的方法[6]。但对多尺度聚类挖掘的理论研究还比较缺乏,在国内有学奍通过引入多尺度控制参数来调节聚类挖掘的尺度特性而提出的多尺度谱聚类算法[1],难干多尺度并行免疫克隆优化聚类算法[2]实现了在不M的进化时期分別以大小等多种尺度并行地实现最优解空间的快速定位与精确查找,基于小波分解和领域信息的多尺度FCM聚类算法[3]人人提出了图像分割的效率、抗噪性和均匀性。但这些基于数据的多尺度特性进行的聚类挖掘大多是通过引入调甘聚类尺度的控制参数[]来实现在每种尺度上的聚类挖掘。但这种挖掘算法需要在每一种尺度上进行挖掘,计算量大,在用户不感兴趣的尺度上进行的挖掘结果得不到用户的认可,造成资源浪费,也不能实现在某一•指定尺度上的实时聚类挖掘。针对这些多尺度聚类挖掘算法的不足,本文提出了一种基于尺度转换机制的多尺度聚类挖拙兑法iMSCA(importantMulti-ScalebasedClusteringAlgorithm),兑法先在指记的雉尺度BS(BasicScale)上进行聚类挖掘,再借助于度较换机制SCM(ScaleConvertMechanism)对其它尺度进行挖掘。实验数裾表明,本算法很好地克服了仏统多尺度聚类算法存在的不足,聚类效果亦能得到保证。;第三部分对木文的算法思想进行阐述,外引入了基尺度的概念和尺度转换机制;第四部分洋细描述了本文的算法过程:第五部分对本文算法的性能进行了分析和验证。针对数裾的多尺度特性研究者捉出了很多聚类挖掘算法。在国内学者通过;!I入多尺度控制参数來调节聚类挖掘的尺度特性而提出的多尺度谱聚类算法m,基于多尺度并行免疫兑隆优化聚类算法[2]实现了在不的进化吋期分别以大小等多种尺度并行地实现最优解空间的快速定位与精确查找,菽于小波分解和领域信息的多尺度FCM聚类算法131大大提出了图像分割的效率、抗噪性和均匀性;国外也冇许多将多尺度和聚类挖掘算法结合起来的研究匈应用,如以非监锷多尺度数据流兑法基于数据驱动的数据流对涉及时间尺度的数据流进行趋势预测[41,并将这种算法成功地应用于股票数据的分析。另有学者将平稳小波变换应用于多尺度分析提出了应用性强的尺度选择方法进而构建了两种分类器一SVM分类器和Bayes分类器151。通过引入多尺度超像素分割生成屮叫点,柯学者提出了一种从杂乱影像屮恢复和分组物体对称部分的方法|61。虽然葙于多尺度的研究与应用非常