密度影响因子相关的网格聚类算法研究的任务书.docx

密度影响因子相关的网格聚类算法研究的任务书
任务书：密度影响因子相关的网格聚类算法研究
一、研究背景
现如今，数据挖掘已经成为了计算机科学领域的重要研究方向。在大数据时代，人们拥有了海量的数据，如何快速准确地挖掘其中的有用信息成为了重要问题。聚类算法作为数据挖掘中的重要技术手段，其作用不言而喻。但是，传统的聚类算法在大数据情况下存在许多不足之处，比如：在大数据集中，聚类算法的计算量过大，效果不佳等问题。网格聚类作为一种新兴的聚类方法，被广泛应用于大数据的聚类问题，具有运行速度快、结果准确等优点。
然而，在网格聚类算法中，一般采用的是基于密度的方法。如果数据集中的样本分布密度不均匀，就无法很好地使用密度聚类算法。因此，如何解决密度因素对网格聚类算法的影响，成为了一个重要的问题。
二、研究目的
本文旨在研究影响网格聚类算法的密度因素，并提出一种密度影响因子相关的网格聚类算法，以提高聚类效率和准确性。
三、研究内容
1.分析现有网格聚类算法的优缺点，探究密度因素对网格聚类算法的影响。
2.研究密度影响因子相关的网格聚类算法，分析其聚类效果，与现有聚类算法进行对比。
3.利用著名数据集进行算法验证和实验分析，对比分析密度影响因子相关的网格聚类算法和其他聚类算法的效率和准确性。
四、研究方法
1.调研：针对网格聚类算法的研究现状进行深入调研，了解现有的网格聚类算法以及其优缺点。
2.预处理：在对数据进行聚类之前，先对数据进行预处理，包括数据清洗和数据降维等。
3.密度影响因子计算：根据密度影响因子的计算公式，计算数据集中每个样本点的密度影响因子值。
4.网格生成：基于密度影响因子值，生成相应的网格图形。
5.簇划分：采用聚类算法对网格中的数据点进行聚类，生成相应的簇划分结果。
6.实验验证：利用著名的数据集对算法进行实验验证，并对比分析算法的效率和准确性。
五、预期成果
本文的预期成果是提出一种密度影响因子相关的网格聚类算法，旨在解决密度因素对网格聚类算法的影响，提高聚类效果和准确性。同时，通过实验验证，对该算法的效率和准确性进行评估，并与现有聚类算法进行对比。预期能够取得如下成果：
1.建立一种适用于大数据的密度影响因子相关的网格聚类算法。
2.针对数据密度不均匀的情况，提出相应的解决办法。
3.验证该算法在不同数据集上的聚类效果，与现有的聚类算法进行对比，证明其优越性。
六、研究时间安排
本研究计划时长为六个月。具体时间安排如下：
第一周：选题与调研
第二周：文献研究与总结
第三周：数据处理与预处理
第四周：密度影响因子计算
第五周：网格生成
第六周：簇划分方法研究
第七周-第八周：算法实现与优化
第九周-第十周：实验设计与数据收集
第十一周-第十二周：实验结果分析
第十三周-第十四周：结果总结与讨论
第十五周-第十六周：撰写论文及答辩准备
七、参考文献
[1]傅京明,田东.基于趋势聚类的计算网络中性能监控方法研究,计算机应用,2009(5)
[2]AggarwalCC,ReddyCK.Dataclustering:algorithmsandapplications[M].CRCpress,2013.
[3]EsterM,KriegelHP,SanderJ,etal.Adensity-basedalgorithmfordiscoveringclustersinlargespatialdatabaseswithnoise[C]//Kdd.1996,96(34):226-231.
[4]吴宇飞等.基于密度影响因子的层次聚类算法研究[J].关键词与主题词,2017,5:007.
[5]杨帆,史占岗,罗晓举.一种基于密度影响因子的层次聚类方法,科技导报.2017(6):70-76.
[6]RattonF,NouhT,MladenovićN.Densitybasedclusteringalgorithmsinwirelesssensornetworks-PartI:Asurvey[J].JournalofNetworkandComputerApplications,2014,40:226-245.