开题报告-F.pdfVIP

硕士学位论文开题报告 基于Voronoi 图的多尺度聚类数据挖掘 姓 名 ： 苏东海 学科专业 ： 计算机应用技术 研究方向 ： 数据挖掘 指导教师 ： 赵书良 教授 时 间 ： 2013-03-27 基于Voronoi 图的多尺度聚类数据挖掘 目录 基于Voronoi 图的多尺度聚类数据挖掘1 1. 研究目的与意义3 2. 国内外研究现状3 3. 发展趋势5 4. 研究内容6 5. 研究进度及预期达到的目的8 6. 总结8 7. 参考文献9 1. 研究目的与意义 近些年，数据挖掘（Data Mining ， DM ） 和知识发现（Knowledge Discovery in [1] Database，KDD ）由于国际人工智能和数据库学界的重视 而得到学者广泛研究。KDD 或 DM 的目的是从海量的数据集中提取人们感兴趣的、事先未知的、或潜在有用的信息或模 [2] [3] 式 ，而聚类作为数据挖掘研究领域的一个重要研究分支 ，在相关领域一度掀起研究热潮。 然而学术界并未对聚类分析做过一个公认的定义，Everitt[4]于 1974 年对聚类分析定义如下： 旨在将样本集按其身属性聚成若干类，以保证类内相本相似度尽可能高，而类间样本相似 度尽可能低。有学者将聚类称作无监督的分类，是因为在进行聚类之前没有任何先验信息 可以使用，并且将样本集聚成几类也是未知的。 由于聚类在数据挖掘过程中的典型作用，因此数据挖掘对聚类亦有不同于其它研究分 支的要求，如聚类过程要具有高度的可伸缩性、处理不同类型数据的能力、进行任意形状 的聚簇、将输入参数的领域知识最小化、对噪声数据具有很好的处理能力、对数据的处理 顺序不敏感性、对高维数据的处理能力、基于约束的聚类以及聚类结果的可用性和可解释 性。这些要求使用聚类算法的研究面临着巨大的困难与挑战，而随着科学技术的发展，人 们获取信息和存储信息的能力也日益增强，人们淹没在海量的数据之中却不知所措，如何 使用数据挖掘技术从这些海量的数据中攫取有用的知识和信息是人们当前面临的重要问题， 而聚类分析作为数据挖掘过程的重要一环为解决人们面临的重要科学难题提供了思路，提 [5] 出了不少有效且高效的聚类挖掘算法 。 多尺度是各种数据类型自身的属性，如地学领域数据的多尺度特性主要表现在时间可 [6] 伸缩性和地理空间的可扩展性 ，人口领域数据的地域属性、年龄属性、群体特征等都是 多尺度特性的表现。而传统的聚类分析并未对数据的多尺度特性进行单独的研究，这对人 们从多尺度的数据中提取有用信息造成了极大的妨碍，因此如何针对数据的多尺度特性进 [7] 行聚类挖掘是目前人们所面临的一大难题。Voronoi 图 作为计算几何中的一种几何结构， 也是一种进行空间分割的方法，很好地解决了空间物体侧向的邻近关系，主要借助Voronoi 图的这种良好性质对多尺度的聚类数据挖掘进行研究，实现数据聚类的多尺度化。这对于 指导人们从海量的数据中获取有用知识进而进行后期的人工决策有着实质性的指导意义， 亦将聚类研究推向了一个新的研究层次，对于数据挖掘功能的完善也有着理论研究意义。 2. 国内外研究现状 聚类分析作为近几年热门研究领域，涉及数据挖掘、模式识别、机器学习、数据分析 [4] 等众多学科，自Everitt 给出了聚类的定义 以来40 多年的时间里，有不少学者均投身于聚 类分析的研究，提出了不少聚类分析算法，取得了引人注目的成绩。 2.1 聚类的研究现状