计算机科学 ›› 2015, Vol. 42 ›› Issue (4): 263-267.doi: 10.11896/j.issn.1002-137X.2015.04.054
苏东海,赵书良,柳萌萌,苏嘉庚,李 妍
SU Dong-hai, ZHAO Shu-liang, LIU Meng-meng, SU Jia-geng and LI Yan
摘要： 多尺度聚类挖掘在指导人们进行多尺度决策方面有着不可取代的作用,然而传统的多尺度聚类挖掘算法有一个致命的弱点,即需要在每个用户感兴趣的尺度上应用聚类挖掘算法。为克服此缺陷,定义了一种将数据的多尺度特性进行向量化的方法；结合地学领域的尺度转换机制,提出了一种新的知识的多尺度转换机制——基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA(Weight Vector Based Multi-scale Clustering Algorithm)。算法首先在选定的基准尺度上进行聚类挖掘,获取聚类结果,并借助尺度转换机制将基准尺度的聚类结果反演到其它感兴趣的尺度上。实验表明,算法WVB-MSCA是可行且有效的。
| [1] Tsuoukatos I,Gunopulos D.Efficient mining of spatiotemporal patterns[C]∥7th International Symposium,SSTD 2001.Berlin:Springer Berlin Heidelberg,2001:425-442 [2] Cao Hui-ping,Mamoulis N,DW C.Mining frequent spatiotemporal sequential patterns[C]∥ Proceeding of Fifth IEEE International Conference on Data Mining.NJ:IEEE,2005:82-89 [3] Lee A,T J,Chen Y A,et al.Mining frequent trajectory patterns in spatial-temporal databases[J].Information Sciences,2009,179(13):2218-2231 [4] 孙庆先,方涛,郭达志.空间数据挖掘中的尺度转换研究[J].计算机工程与应用,2005,16(3):17-20 [5] Gaffney S,Smyth P.Trajectory clustering with mixtures of regression models[C]∥ Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York:ACM,1999:63-72 [6] Chudova D,Gaffney S,Mjolsness E,et al.Translation-invariant mixture models for cover clustering[C]∥ Proceeding of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Washington D C:ACM,2003:79-88 [7] Nanni M,Pedreschi D.Time-focused clustering of trajectories of moving objects[J].Journal of Intelligent Information Systems,2006,27(3):267-289 [8] 施培蓓,郭玉堂,胡玉娟,等.多尺度的谱聚类算法[J].计算机工程与应用,2011,47(8):128-130 [9] 赵学智,叶邦彦,陈统坚,等.小波变换的尺度自适应选择[J].数据采集与处理,2004,19(1):46-50 |
| No related articles found! |
|
||
首页