基于背景知識的知識發(fā)現技術研究.pdf

1、背景知識對于知識發(fā)現過程有著重大的影響.該文主要著眼于一類特殊的背景知識:數據對象間的關聯(lián)限制,研究了其在聚類分析中的應用.分析了現有基于數據對象間關聯(lián)限制的聚類分析方法的優(yōu)點及不足,指出分隔的表示方法阻礙著現有基于兩類關聯(lián)限制的Kmeans類算法效果的進一步提高.基于數據對象間的關聯(lián)限制,定義了數據對象與類間的關聯(lián)以及類之間的關聯(lián),在此基礎上提出了結合限制的分隔模型,通過類間的關聯(lián),眾多分離的子類可以依據背景知識共同表示同一個類,從而

2、可能更加靈活地結合用戶傾向,對數據對象集進行分隔.結合此模型提出了結合子集的Kmeans算法CKS,實驗證明它較CKM(COP-Kmeans)和CCL可以更好地利用關聯(lián)限制.仔細分析了另一個有影響的限制聚類算法CCL,指出其在構造距離矩陣時忽視了負關聯(lián)的作用,在其后的聚類分析時則完全忽略了所給限制,從而影響了準確率,在噪聲較強時,算法可能不穩(wěn)定.給出了混合限制complete-link算法HCCL,HCCL算法在前半段基于數據對象間的距

3、離來指導聚類,在后半段基于類間的關聯(lián)系數來指導聚類.HCCL在較好地利用了正關聯(lián)的同時,還能較好地利用負關聯(lián),對于一些實際數據集的測試及分析結果顯示此算法具有明顯的優(yōu)勢.數據對象間關聯(lián)限制的引入,使得一些原先收斂的算法不再收斂.詳細研究了基于關聯(lián)限制的Kmeans類算法的收斂問題,提出了CKM算法不收斂的第二種情況,通過反例,證明了現有的四個基于關聯(lián)限制的Kmeans類算法均不收斂,同時還研究并給出了CKM和CKS算法收斂的一個條件.研

4、究了關聯(lián)限制的其他應用,可以應用來改造PAM算法,得到結合限制的PAM算法CPAM,基于結合限制的分隔模型,給出了結合子集的K中心點算法CKMDS,考察了關聯(lián)限制在概念聚類中的應用,提出了將限制直接結合入分類效用計算的思想,并具體給出了一個結合方法.面向農業(yè)領域基于背景知識的知識發(fā)現,考慮了特殊的領域知識的應用.分析了生命周期知識在數據預處理過程中的應用,據此提出了基于時間窗口的數據預處理算法;基于土壤中養(yǎng)分的垂直分布知識,并結合土壤數