数据挖掘中聚类方法的研究

面对大规模的、高维的数据，如何建立有效、可扩展的的聚类数据挖掘算法是数据挖掘领域的一个研究热点。围绕以上问题，本文对聚类算法进行了深入研究，主要包括以下几个方面的内容： 通过对Kohonen自组织映射模型（SOFM）及其主要改进模型的分析，提出一种树形动态生长自组织模型。其网络结构在训练中动态生成，克服了SOFM网络结构固定化的限制；所生成的网络结点数目远远低于传统的SOFM及动态增长自组织映射模型（GSOM），所需训练周期少，训练效率高；用扩展因子（SF）来控制网络的生长速度，可以得到精度不同的聚类结果；由用户选取不同的SF值和输入样本集实现数据集的层次聚类。 针对基于密度、基于网格聚类方法的缺陷，提出一种基于网格、密度及距离的综合聚类方法。通过仿真实验并与现有聚类算法的比较，该方法能识别任意形状、大小、不同密度的类；能有效过滤噪声数据；参数设置简单，无需预先给定聚类个数；具有近似线性时间复杂度，执行效率高，适合大规模数据的聚类问题。 针对现有层次聚类方法的缺点，提出一种层次聚类方法。该方法首先采用划分方法将数据分成原子簇，然后以这些原子簇为基础，实行自底向上的层次聚类得到最终的聚类结果。其可识别任意形状、大小的类，过滤“噪声”数据；具有近似线性时间复杂度，算法执行效率高，适合大规模数据的聚类问题。 将代表点思想与神经网络技术相结合，提出一种基于代表点、密度和神经网络的综合聚类方法。其首先使用代表点来描述数据空间的几何特征，然后将代表点的位置与密度信息同时作为神经网络的输入，通过网络训练得到聚类结果。该方法即继承了代表点方法聚类能力强的特点，而且由于使用了可视化SOFM（ViSOM）网络模型，聚类结果的可视性效果好。