基于加权向量提升的多尺度聚类挖掘算法的开题报告.docx

基于加权向量提升的多尺度聚类挖掘算法的开题报告
一、研究背景及意义
随着数据规模的不断增大和应用场景的日益丰富，数据挖掘已成为现代信息化发展的重要组成部分。聚类是数据挖掘中一个重要的方法，它通过对数据的相似性进行分组，将数据划分为若干个簇(cluster)，每个簇内部的数据相似度高，而不同簇之间的相似度低。聚类可以应用于很多领域，例如：图像处理、数据压缩、智能推荐等。
多尺度聚类挖掘算法是一种基于距离度量具有尺度不变性的聚类算法。与传统聚类算法不同的是，它不需要提前确定聚类的类别数，而是根据数据间的相似性建立不同的相似度矩阵，通过不同尺度下的聚类算法进行聚类。多尺度聚类挖掘算法能够克服传统聚类算法需要提前知道聚类数目的缺点，提高聚类的准确性和稳定性，因此得到了广泛的应用。
本文将提出一种基于加权向量提升的多尺度聚类挖掘算法，通过引入加权向量提升方法增强聚类算法的分类能力，在多尺度聚类中进一步提高聚类的准确性和稳定性。
二、研究内容与研究方案
（一）研究内容
1.多尺度聚类算法的研究：分析多尺度聚类算法的原理和不足之处，研究现有的多尺度聚类算法，总结其优缺点，提出改进方案。
2.加权向量提升方法的研究：分析加权向量提升方法的原理和优点，研究现有的加权向量提升方法，总结其优缺点，对其进行优化。
3.基于加权向量提升的多尺度聚类算法的设计：将加权向量提升方法引入多尺度聚类算法中，设计一种基于加权向量提升的多尺度聚类算法，并对其进行实验验证。
（二）研究方案
1.多尺度聚类算法的研究：阅读文献资料，学习多尺度聚类算法的原理与实现方法，分析其优劣点。
2.加权向量提升方法的研究：阅读文献资料，学习加权向量提升方法的原理与实现方法，比较不同的加权向量提升方法，对其进行优化。
3.基于加权向量提升的多尺度聚类算法的设计：将加权向量提升方法引入多尺度聚类算法中，设计一种基于加权向量提升的多尺度聚类算法，并对其进行实验验证。实验采用多种数据集对算法进行测试，比较新算法与传统算法的聚类效果，并对算法的准确性、稳定性和效率进行分析。
三、研究进度安排
第一年：
1.研究多尺度聚类算法的原理和现有算法，分析其优缺点，对其进行总结、整理和归纳。
2.研究加权向量提升方法的原理和现有算法，分析其优缺点，对其进行总结、整理和归纳。
3.分析不足之处，提出基于加权向量提升的多尺度聚类算法。
第二年：
4.实现基于加权向量提升的多尺度聚类算法，并采用多种数据集进行测试。
5.对算法的准确性、稳定性和效率进行分析。
6.撰写论文，并完成毕业设计。
四、参考文献
[1]赵玉龙.多尺度聚类方法及其应用研究[D].南京理工大学,2007.
[2]管赛明,张宗献,佟景超.一种基于多尺度层次聚类的文本聚类算法研究[J].计算机科学,2009,36(11):273-276.
[3]江波.基于加权向量提升的SVM分类算法[D].大连理工大学,2006.
[4]林清华,龚建华.面向高维大数据的聚类算法研究[J].现代计算机（专业版）,2017,(17):47-50.