基于尺度转换机制的多尺度聚类挖掘算法 - (摘要-引言-定义-算法-总结部分)-EDT.pdfVIP

基于尺度转换机制的多尺度聚类挖掘算法 摘要： 提出一种新的基于尺度转换机制的多尺度聚类挖掘算法SCM-MSCA。该方法运用尺度 转换机制在指定基尺度下进行聚类挖掘，建立了较为完善的尺度转换机制帮助用户选择多种 尺度进行聚类结果分析和挖掘，提高多尺度聚类挖掘的效率。结合某省全员人口数据对算法 进行了具体实现和分析。实验数据表明， SCM-MSCA 算法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；多尺度聚类；尺度转换机制 Abstract ： A Scale Convert Mechanism Based MultiScale Clustering Algorithm (SCM-MSCA) is pro- posed. Unlike the traditional multiscale clustering algorithms, SCM-MSCA clusters the data on a basic scale, then obtains the clustering results on the other scales which users are interested in with the help of Scale Convert Mechanism. The experiments turn out that SCM-MSCA presented in this paper does well compared with the traditional multiscale clustering algorithms. Key Words ：Clustering Mining, Multiscale, Multiscale Clustering, Scale Convert Mechanism 引言 的多尺度特性进行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 聚类挖掘是数据挖掘研究领域重要的 制参数来调节聚类挖掘的尺度特性而提出 组成部分（重要研究方向），而多尺度聚类 了多尺度谱聚类算法[] ，基于多尺度并行免 挖掘是解决具有多尺度特性的空间或时空 疫克隆优化聚类算法[]实现了在不同的进化 数据的挖掘算法，亦将数据挖掘理论研究推 时期分别以大小不同的多种尺度并行地实 向了另一个新的研究层次与方向。 现最优解空间的快速定位与精确查找；基于 在国外，针对空间或时空数据的多尺度 小波分解和领域信息的多尺度FCM 聚类算 特性进行的研究大多集中于多尺度效应与 法[]大大提高了图像分割的效率、抗噪性和 多尺度建模等应用方面，如以非监督多尺度 均匀性。但这些基于数据的多尺度特性进行 数据流算法、基于数据驱动的数据流对涉及 的聚类挖掘大多是通过引入调节聚类尺度 时间尺度的数据流进行趋势预测[] ，并将这 的控制参数[]来实现在每种尺度上的聚类挖 种算法成功地应用于股票数据的分析。另有 掘。该类算法大都需要在每一种尺度上进行 学者将平稳小波变换应用于多尺度分析提 挖掘，尺度选择灵活性较差；算法计算复杂 出了应用性更强的尺度选择方法进而构建 度较高；不利于用户选择感兴趣的尺度进行 了两种分类器—SVM 分类器和 Bayes 分类 针对性的挖掘，且挖掘结果不易被用户分析 器[] 。通过引入多尺度超像素分割生成中间 和利用，造成资源浪费。最重要的是：不能 点，有学者提出了一种从杂乱影像中恢复和 实现在某一指定尺度上的实时聚类挖掘。 分组物体对称部分的方法[] 。然而针对数据