不確定性數(shù)據(jù)流 聚類 滑動窗口 混合屬性 概率頻度直方圖 網(wǎng)格概率密度

1、不確定性數(shù)據(jù)流論文：基于元組聚類特征的不確定性數(shù)據(jù)流聚類算法研究【中文摘要】對國內(nèi)外數(shù)據(jù)流聚類的研究情況分析可知,已有的數(shù)據(jù)流聚類算法存在如下問題:不能聚類具有不確定性的混合屬性數(shù)據(jù)流;在聚類過程中不能對不確定性數(shù)據(jù)流中近期的數(shù)據(jù)進(jìn)行詳細(xì)的分析;在聚類過程中不能得到任意形狀的聚類。針對這些問題,本課題將研究重點(diǎn)放在基于元組聚類特征的不確定性數(shù)據(jù)流聚類算法的研究上,解決這些問題對研究基于位置服務(wù)的應(yīng)用、電子商務(wù)等領(lǐng)域具有重要的意義。首先,為了能對具有不確定性的混合屬性數(shù)據(jù)流進(jìn)行聚類,提出了一種具有不確定性的混合屬性數(shù)據(jù)流聚類算法HU-Clustering。該算法使用概率頻度直方圖來統(tǒng)計標(biāo)稱屬性部

2、分的信息,定義了混合屬性不確定性聚類特征以便能描述混合屬性不確定性數(shù)據(jù)流的分布特征。并采用基于兩輪選擇的聚類過程來提高聚類質(zhì)量。其次,為了能對近期的數(shù)據(jù)進(jìn)行分析,提出了一種基于滑動窗口的不確定性數(shù)據(jù)流聚類算法SWCUStreams。該算法采用兩階段的聚類框架。在在線部分,定義了不確定性時間聚類特征來描述元組的不確定性信息,提出不確定性聚類特征指數(shù)直方圖存儲近期數(shù)據(jù)的分布特征。在離線部分,基于不確定性聚類特征指數(shù)直方圖的統(tǒng)計信息,采用UK-means算法來生成最終的聚類結(jié)果。.【英文摘要】By analyzing the algorithms for clustering data stream

3、s of foreign and domestic, the existing methods have the following problems. The existing algorithms for clustering uncertain data streams can not cluster the heterogeneous data streams with uncertainty. Besides, in uncertain data streams, the recent data can not be analyzed in detail in the cluster

4、ing process. Furthermore, most algorithms can not obtain the clustering results with arbitrary shape. For these problems, this paper mainly facus on the resea.【關(guān)鍵詞】不確定性數(shù)據(jù)流 聚類 滑動窗口 混合屬性 概率頻度直方圖 網(wǎng)格概率密度【英文關(guān)鍵詞】Uncertain data stream clustering sliding window heterogeneous attributes probability frequency

5、 histogram grid probability density【索購全文】聯(lián)系Q1：138113721 Q2：139938848【目錄】基于元組聚類特征的不確定性數(shù)據(jù)流聚類算法研究摘要5-6Abstract6-7第1章 緒論10-181.1 不確定性數(shù)據(jù)流挖掘技術(shù)10-121.1.1 不確定性數(shù)據(jù)流挖掘研究背景及意義111.1.2 不確定性數(shù)據(jù)流挖掘的任務(wù)11-121.2 不確定性數(shù)據(jù)流挖掘的研究現(xiàn)狀12-151.2.1 國內(nèi)外研究現(xiàn)狀13-151.2.2 存在的問題151.3 課題研究內(nèi)容15-161.4 本文的結(jié)構(gòu)內(nèi)容安排16-18第2章 不確定性的混合屬性數(shù)據(jù)流聚類算法18-27

6、2.1 引言18-192.2 問題定義19-222.2.1 混合屬性元組不確定性202.2.2 混合屬性不確定性聚類特征20-222.2.3 具有不確定性的混合屬性相似度度量222.3 HU-Clustering 算法22-252.3.1 算法描述23-252.3.2 算法分析252.5 本章小結(jié)25-27第3章 基于滑動窗口模型的不確定性數(shù)據(jù)流聚類算法27-363.1 引言27-283.2 問題定義28-323.2.1 屬性級元組不確定性293.2.2 不確定性時間聚類特征29-313.2.3 不確定性元組相似度度量標(biāo)準(zhǔn)31-323.3 SWCUStreams 算法32-343.3.1 算法

7、描述32-333.3.2 算法分析33-343.4 本章小結(jié)34-36第4章 基于網(wǎng)格概率密度的不確定性數(shù)據(jù)流聚 類算法36-444.1 引言36-374.2 問題定義37-404.2.1 網(wǎng)格概率密度37-384.2.2 不確定性網(wǎng)格聚類特征38-394.2.3 網(wǎng)格相似度39-404.3 GD-CUStreams 算法40-434.3.1 算法描述40-424.3.2 算法分析42-434.4 本章小結(jié)43-44第5章 算法實(shí)現(xiàn)及實(shí)驗(yàn)分析44-575.1 實(shí)驗(yàn)環(huán)境44-455.2 HU-Clustering 算法實(shí)驗(yàn)45-495.2.1 HU-Clustering 算法的實(shí)驗(yàn)參數(shù)設(shè)置455.2.2 HU-Clustering 算法的聚類質(zhì)量評價45-475.2.3 HU-Clustering 算法的執(zhí)行效率評價47-495.3 SWCUStreams 算法實(shí)驗(yàn)49-525.3.1 SWCUStreams 算法實(shí)驗(yàn)參數(shù)設(shè)置495.3.2 SWCUStreams 算法的聚類質(zhì)量評價49-515.3.3 SWCUStreams 算法聚類運(yùn)行時間51-525.4 GD-CUStreams 算法實(shí)驗(yàn)52-555.4.1 GD-CUStreams 算法實(shí)驗(yàn)參數(shù)設(shè)置525.4.2 GD-CUStream