| 【中文题名】 | 小波聚类算法的研究及应用 |
| 【英文题名】 | Research and Application of WaveCluster |
| 【学科专业】 | 软件工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-1-17 |
| 【中关键词】 | 数据挖掘,聚类分析,小波变换,入侵检测,, |
| 【英关键词】 | Data mining,Clustering analysis,Wavelet transform,Intrusion Detection, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 随着全球信息化的发展，数据库中存储的数据量急剧增大，为了挖掘出隐藏在大量数据之后的重要信息，数据挖掘技术的研究就成为了一种迫切的需要。聚类分析是数据挖掘研究中最活跃的领域之一，用于将数据对象分组为多个类或簇，使得簇内对象尽可能相似而簇间对象尽可能相异。聚类分析技术已经广泛研究了许多年，并应用于诸多领域中，包括模式识别、数据分析、图像处理等领域。聚类分析技术可以帮助人们更快地找到所需要的信息，在现实生活中有着重要的意义。
由于传统聚类算法在低维空间小数据集中能够有效地进行聚类，但在高维大数据集中，由于其数据的稀疏性，存在大量孤立点等问题，使得传统聚类处理的效果不理想。本论文在分析各种经典的聚类算法的基础上，着重对基于小波分析的聚类分析技术(简称小波聚类算法，WaveCluster)进行研究和改进。小波聚类算法非常有效，检测簇的计算复杂度为O(N)。结果不受噪声影响，对输入顺序不敏感。算法可以在不同精度找到任意复杂结构的簇，而且不用假设任意特定形状的簇。算法不需要关于簇数量的先验知识。但是，估计簇的数量可以帮助选择合适的簇的结果。针对小波聚类的低维性进行了算法改进，改进后算法可适用于高维聚类，并对... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-8 |
|
1 绪论 |
8-14 |
|
1.1 研究背景和意义 |
8 |
|
1.2 国内外研究现状 |
8-13 |
|
1.2.1 国外研究现状 |
8-12 |
|
1.2.2 国内研究现状 |
12-13 |
|
1.3 论文主要内容 |
13-14 |
|
2 聚类技术 |
14-23 |
|
2.1 聚类的定义 |
14 |
|
2.2 聚类算法的要求 |
14-16 |
|
2.3 聚类分析中的数据类型 |
16-22 |
|
2.3.1 区间标度变量 |
17-18 |
|
2.3.2 二元变量 |
18-19 |
|
2.3.3 标称型、序数型和比例标度型变量 |
19-21 |
|
2.3.4 混合类型的变量 |
21-22 |
|
2.4 小结 |
22-23 |
|
3 小波聚类算法及改进 |
23-52 |
|
3.1 相关定义 |
23-24 |
|
3.2 高维数据与多维信号关系 |
24-29 |
|
3.2.1 高维数据与多维信号 |
24 |
|
3.2.2 基于小波分析的聚类 |
24-25 |
|
3.2.3 使用小波变换 |
25-29 |
|
3.3 小波聚类算法 |
29-33 |
|
3.3.1 算法 |
29-31 |
|
3.3.2 小波聚类算法的性质 |
31-32 |
|
3.3.3 时间复杂度 |
32-33 |
|
3.4 改进的基于小波分析的聚类分析方法 |
33-43 |
|
3.4.1 高维聚类 |
34-41 |
|
3.4.2 复杂度分析 |
41-43 |
|
3.5 改进后算法聚类性能 |
43-50 |
|
3.5.1 综合数据的产生 |
43-44 |
|
3.5.2 聚类的质量 |
44-47 |
|
3.5.3 效率 |
47-50 |
|
3.6 小结 |
50-52 |
|
4 小波聚类在入侵检测中的应用 |
52-66 |
|
4.1 入侵检测技术简介 |
52-56 |
|
4.2 实验样本数据说明 |
56-59 |
|
4.3 仿真实验 |
59-64 |
|
4.3.1 实验数据提取 |
59-61 |
|
4.3.2 算法仿真实验结果与分析 |
61-64 |
|
4.4 小结 |
64-66 |
|
结论 |
66-67 |
|
参考文献 |
67-71 |
|
攻读硕士学位期间发表学术论文情况 |
71-72 |
|
致谢 |
72-73 |
|
大连理工大学学位论文版权使用授权书 |
73 |
|
| 【DOI】 | LunWen.ID:2.2008.388323 |
