基于密度和網格的數據流聚類研究與實現.pdf

1、隨著科學技術的飛速發(fā)展，人類獲取知識能力越來越強。近些年來隨著無線傳感器網絡、路由器等設備的出現，人們獲取數據的能力得到了極大的提高。出現了一種新的數據模型一數據流模型。
　　 該模型中待處理的數據不再被靜態(tài)、固定地存儲在可多次、隨機訪問的介質中，而是以一種動態(tài)、流式的形式出現。訪問數據的方法被限定為進行順序的、一次或有限次的訪問。目前關于數據流挖掘的研究主要有數據流聚類、分類、頻繁模式挖掘等等。本文通過研究傳統(tǒng)的基于密度和基于

2、網格的聚類方法，發(fā)現傳統(tǒng)的基于密度的聚類方法要求多次訪問數據，并且不能動態(tài)地生成聚類結果；而傳統(tǒng)的基于網格的聚類算法雖然能一次讀取數據，并且能很快的處理數據，但它降低了簇的質量和精確性。傳統(tǒng)的基于網格和基于密度的聚類算法均不能滿足數據流聚類的要求。
　　 本文結合傳統(tǒng)聚類算法的一些方法提出了一種采用樹型概要結構的密度網格樹數據流聚類算法DG-Tree(Density)，and Grid-Free Algorithm)。該算法利用

3、數據流聚類算法CluStream鋤中的處理框架，把聚類分為微聚類和宏聚類兩個過程。在微聚類過程中，通過把數據流按屬性值分配到一棵樹中，消除了空網格對聚類結果的影響，同時針對數據流聚類中，近期的數據往往比久遠的數據更受關注的特點，引入了時間衰退模型；在宏聚類過程中，對微聚類中生成的樹中的葉子節(jié)點進行密度聚類，通過設立噪音密度閥值函數和更新周期，不僅可以有效的發(fā)現噪音葉子節(jié)點，還減少了密度聚類中對葉子節(jié)點密度更新的計算量，減少了算法的時間消