基于网格和信息熵的聚类算法

论文摘要

数据挖掘就是从海量含有噪声和不规律的数据中,提取隐含在其中有趣的但并不为人们所知道的信息、规律或知识的过程。在数据挖掘领域,聚类已经在模式识别、图像处理和市场研究等领域中得到广泛地应用,所以对聚类的研究有着重要的理论与实践的意义。在聚类分析中,虽然现有的很多聚类算法能发现任意形状、任意大小的类,但用于多密度的数据集时却难以取得令人满意的结果。为提高对多密度数据集的聚类效果,文章从以下几个方面进行了研究:(1)首先简要的概述了数据挖掘的一些基本知识,同时对数据挖掘过程中的一些数据预处理方法做了简单必要的介绍。最后分析了一些常见的聚类算法的特点以及对比它们的优缺点。(2)在基于网格的聚类分析中,网格划分的方法对聚类的结果有着重要的影响,本文对网格划分方法进行了比较系统的论述,介绍了在不同网格划分方法的特点。在进行聚类分析时,网格边界点的处理对聚类的精度也有着一定的影响,所以文章又分析了几种不同的网格边界点的处理方法,并提出了一种新的网格边界点的处理方法。(3)文章在优化信息熵的基础上,提出了一种基于网格和信息熵的多密度聚类算法,它根据不同密度的网格所携带的信息熵,自动计算出密度阈值,找出在多密度数据集中不同的类。实验证明,该算法能有效的去除噪声,发现多密度的类,具有较好的聚类效果。最后,将提出的一种基于网格和信息熵的多密度聚类算法应用在图像分割上。实验证明,这种聚类算法在图像分割中是有效的。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 基于密度聚类方法的研究现状
• 1.2.2 基于网格聚类方法的研究现状
• 1.2.3 数据挖掘技术的发展趋势
• 1.3 论文的组织结构
• 第2章 聚类分析综述
• 2.1 数据挖掘概述
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的过程
• 2.1.3 数据挖掘的分类
• 2.1.4 数据挖掘的功能
• 2.2 数据预处理
• 2.2.1 数据清理
• 2.2.2 数据集成
• 2.2.3 数据变换
• 2.2.4 数据归约
• 2.3 聚类分析
• 2.3.1 聚类算法的要求
• 2.3.2 聚类分析中的数据类型
• 2.3.3 主要的聚类方法
• 2.4 小结
• 第3章 网格的划分及其边界点的处理
• 3.1 网格的划分方法
• 3.1.1 均匀的网格划分方法
• 3.1.2 非均匀的网格划分方法
• 3.2 网格边界点的处理
• 3.2.1 移动网格的方法
• 3.2.2 二分网格的方法
• 3.2.3 基于距离的方法
• 3.3 小结
• 第4章 基于网格和信息熵的多密度聚类算法
• 4.1 信息熵的相关理论
• 4.2 基于网格和信息熵的多密度聚类算法
• 4.2.1 GICM 算法的相关定义
• 4.2.2 聚类边界点的处理
• 4.2.3 GICM 算法的主要步骤及流程图
• 4.3 算法实验结果及分析
• 4.3.1 算法复杂度分析
• 4.3.2 聚类的结果有效性分析
• 4.3.3 聚类的结果对比分析
• 4.4 小结
• 第5章 基于网格的聚类算法在图像分割中的应用
• 5.1 图像分割的分类
• 5.1.1 基于边界的算法
• 5.1.2 基于区域的算法
• 5.2 基于网格聚类的图像分割算法的整体框架
• 5.3 实验结果及分析
• 5.4 小结
• 结论
• 参考文献
• 附录 A 攻读硕士学位期间发表的论文
• 附录 B 攻读硕士学位期间参与的科研项目
• 致谢