计算机应用

作者：万静, 郑龙君, 何云斌, 李松

单位：哈尔滨理工大学 计算机科学与技术学院, 哈尔滨 150080

关键词：高维,不确定,Clique算法,K近邻

基金：国家自然科学基金资助项目（61872105）；黑龙江教育厅科学技术研究项目（1253lz004）；黑龙江省留学归国人员科学基金资助项目（LC2018030）。

如何降低不确定数据对高维数据聚类的影响是当前的研究难点。针对由不确定数据与维度灾难导致的聚类精度低的问题，采用先将不确定数据确定化，后对确定数据聚类的方法。在将不确定数据确定化的过程中，将不确定数据分为值不确定数据与维度不确定数据，并分别处理以提高算法效率。采用结合期望距离的K近邻（KNN）查询得到对聚类结果影响最小的不确定数据近似值以提高聚类精度。在得到确定数据之后，采用子空间聚类的方式避免维度灾难的影响。实验结果证明，基于Clique的高维不确定数据聚类算法（UClique）在UCI数据集上有较好的表现，有良好的抗噪声能力和伸缩性，在高维数据上能得到较好的聚类结果，在不同的不确定数据集实验中能够得到较高精度的实验结果，体现出算法具有一定的健壮性，能够有效地对高维不确定数据集聚类。

来源：2019年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第11期