2-基于尺度转换机制的多尺度聚类挖掘算法 - 引言 - Org - Version II.docx

================================================================== 针对数据的多尺度特性研究者提出了很多聚类挖掘算法。在国内学者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], 基于多尺度并行免疫克隆优化聚类算法[2] 实现了在不同的进化时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,基于小波分解和领域信息的多尺度 FCM 聚类算法[3] 大大提出了图像分割的效率、抗噪性和均匀性; 国外也有许多将多尺度和聚类挖掘算法结合起来的研究与应用, 如以非监督多尺度数据流算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[4], 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— SVM 分类器和 Bayes 分类器[5]。通过引入多尺度超像素分割生成中间点, 有学者提出了一种从杂乱影像中恢复和分组物体对称部分的方法[6]。虽然基于多尺度的研究与应用非常广泛, 但针对空间或时空数据的多尺度特性进行数据挖掘的研究还很缺乏多尺度聚类挖掘是聚类挖掘领域中专门解决具有多尺度特性的空间数据或时空数据的挖掘算法, 基于数据的多尺度特性提出了很多聚类算法。如多尺度的谱聚类算法[1]、基于多尺度并行免疫克隆优化聚类算法[2]、基于邻域的多尺度模糊 C_ 均值聚类图像分割[3]等。在国外有也很多多尺度聚类算法的研究与应用,如 Stock Data Clustering and Multiscale Trend Detection [4]、 Multiscale Classification and Its Application to Process Monitoring [5]、 Multiscale Symmetric Part Detection and Grouping [6]等。但上述算法均是对数据的在不同的所有尺度上进行聚类挖掘的,