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摘要: 提出了一种基于重要尺度的多尺度聚类挖掘算法 iMSCA(important MultiScale Clustering Algorithm) ,同传统的多尺度聚类挖掘算法不同,基于重要尺度的多尺度聚类挖掘算法首先在指定的重要尺度实现聚类挖掘结果, 再通过尺度转换机制求得用户感兴趣的其它尺度的聚类结果。实验数据表明, 本文提出的算法 iMSCA 同传统的多尺度聚类挖掘算法相比具较好的性能。关键词: 聚类挖掘、多尺度、尺度转换机制 Abstract : An important MultiScale Clustering Algorithm (iMSCA) is proposed. Unlike the traditional multiscale clustering algorithms, iMSCA clusters the data on an important scale, then obtains the clustering results on the other scales which users are interested in with the help of Scale Convert Mechanism. T he experiments turns out that iMSCA presented in this paper does pared with the traditional multiscale clustering algorithms. Key Words : Clustering Mining, Multiscale, Scale Convert Mechanism 1. 引言聚类挖掘是数据挖掘研究领域重要的组成部分, 而多尺度聚类挖掘是解决具有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向了另一个新的研究层次与方向。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[] ,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[] 。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[] 。但对多尺度聚类挖掘的理论研究还比较缺乏,在国内有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[], 基于多尺度并行免疫克隆优化聚类算法[] 实现了在不同的进化时期分别以大小不同的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[] 大大提高了图像分割的效率、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节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