研究生学位选题报告汇编

研究生学位论文选题报告研究课题：密度聚类算法研究研究者：XX指导老师：XXX（教授）研究生学位论文选题报告论文构造1、选题依据2、研究内容3、可行性分析4、研究创新点进度安排选题依据研究意义

随着信息技术的发展，人们积累了越来越多的音、视频数据，以及文本，图片等数据，为了从这些海量数据中查找，提取有用信息，出现了数据挖掘技术。聚类作为数据挖掘的重要技术之一，在机器学习、工程学、神经网络、生物学、统计学、地球科学以及社会科学和经济学等许多领域起着越来越重要的作用。

现实世界中的事物大多都具有密度不均匀这一特征，而上述的密度聚类算法由于缺乏处理不同密度聚类的能力，在分析含有不同密度聚类的数据集时效果往往不能令人满意，难以解决实际问题。因此，密度不均匀数据集聚类方法的研究己成为基于密度聚类算法的焦点研究课题。选题依据国内外研究现状

近年来，聚类分析技术向处理高维度的海量数据的方向发展，例如三维模型特征值数据。数据维度的增长导致聚类效果的恶化，为此要考虑在聚类分析中结合降维技术降低数据维数。对于海量数据，则需降低聚类算法复杂度或采用抽样技术。另一个重要研究方向是聚类技术与离群点识别技术结合。此外，由于一般用户难以理解和接受复杂的聚类分析算法，而可视化技术可以以其直观性来弥补这一缺陷，使用户从可视化的角度更直观地理解数据分析和聚类分析整个过程，因此也得到了进一步发展。但是对比实际应用的需求，这些算法在生成聚类质量、执行效率、可伸缩性、处理不同类型属性的能力、发现任意形状的簇、用于决定输入参数的领域知识最小化、对于输入记录顺序不敏感、高维性、处理噪声数据的能力、基于约束的聚类、可解释性和可用性等多个方面仍有待改进。因此，研究并设计有效的聚类分析算法仍然是一个具有挑战性的问题。研究内容

在快速聚类法的条件下研究不同形状、不同层次以及各种规模样本的聚类效果，通过结果分析快速聚类的优点以及它的不足之处。1

在密度聚类算法的基础上分别研究DBSCAN、OPTICS与DENCLUE三种聚类算法对不同形状、不同层次以及不同规模样本的聚类效果，通过研究结果分析密度聚类算法的优势以及存在的不足。2

提出一种新的相对于密度的快速聚类算法,使得该算法克服相对密度算法速度较慢以及快速聚类算法密度不均匀出现错误结果的缺点，最后将该算法与其他一些密度算法在性能上做比较。3研究内容（技术路线）研究背景研究背景研究目的聚类算法的研究现状理论分析基于密度的快速聚类法理论基础快速聚类法的基本思想密度聚类法的基本思想快速密度聚类法方法阐述模型建立相关定义证明新算法公式推导模型建立可行性研究理论方面硬件设施方面软件方面（程序编写）可行性研究实验模拟理论模拟Matlab产生样本新算法现实数据模拟矿产采样数据矿产分布形状及及存量预测真实分布、储量新算法快速聚类密度算法比较快速聚类密度聚类比较结论最终结论模型的改进方向模型的应用前景可行性研究硬件设施1、一直研究密度聚类2、参考了大量国内外与聚类相关的文章3、导师指导4、有一定的软件编程能力惠普PCz600机一台：i3处理器6G内存。研究环境研究创新点1、提出的算法适应各种样本规模2、提出的算法不受样本分布形状、层次方面的影响3、自动确定聚类数目与初始聚类中心进度安排查阅、下载并整理论文资料2015.11-2016.32015.5-2015.112015.1-2015.5