基于劃分方法的大規(guī)模數據高效聚類算法的研究.pdf

1、在基于劃分方法的聚類算法中，k-means算法因為簡單易實現的特點而得到廣泛的應用。然而它存在諸多的缺點特別是對于大規(guī)模數據不能進行有效的聚類分析。本文主要研究了如何在k-means算法中應用網格的思想，如何改進網格方法中存在的問題，以及如何改進k-modes聚類算法并如何將其應用到軟件安全檢測的問題。這些問題的研究在模式識別、數據分析、市場研究以及其它與聚類相關處理過程的分析中具有重要的意義。
　　首先，本文提出了一種基于網格密

2、度的改進聚類算法 CABGD。在CABGD中，提出了網格中心密集度概念，通過計算網格中心密集度的值來識別網格內數據的分布，解決了傳統(tǒng)網格算法中由于人為劃分網格不當而導致聚類精度降低的問題。這種算法在聚類精度上優(yōu)于傳統(tǒng)基于網格的聚類算法。
　　其次，提出了一種基于網格的改進的k-means聚類算法IKMG。將單個網格作為基本的處理單元，同時應用并進一步改進了中心密集度概念，并設計了一種新的數據結構—聚類樹。通過聚類樹來組織和調整聚類

3、簇，樹的生成合并過程就是聚類過程。最終生成k個聚類樹即聚類結果。在聚類大規(guī)模數據時，IKMG較傳統(tǒng)的k-means算法有更高的時間效率，能發(fā)現任意形狀大小的簇，無需人為指定k值的優(yōu)點。
　　最后，設計了一種相似特征樹的數據結構SFT，SFT作為一種軟件故障檢測的工具，主要用來提高軟件安全檢測的效率。為了構建SFT，提出了一種改進的k-modes聚類算法IKMD。在算法IKMD中，初始眾數的選擇進行于聚類的整個過程中。聚類結果以k棵