1、问题已经被很好研究。个标准聚类过程由个主要步骤组成模式表示，模式定义，模式相似度量定义，聚类或分组，数据抽象和造工评核。只有小部分关于数据挖掘或不确定性数据聚类研究被发表。与已经通过运用算法解决使混合密度适合不确定性数据聚类问题。然而，这个模型不能任意地应用于其他聚类算法因为它相当于为定制。在数据区间聚类也同样被研究。像城区距离或明考斯基距离等不同距离测量也已经被用来衡量两个区间相似度。在这些测量大多数中，区间概率密度函数并没有被考虑到。另外个相关领域研究就是模糊聚类。在模糊逻辑中模糊聚类研究已经很久远了。在模糊聚类中,个是数据簇由组目标模糊子集组成。每个目标与每个簇都有个“归属关系度”。换言之，个目标可以归属于多个簇，与每个簇均有个度。模糊均值聚类算法是种最广泛使用模糊聚类方法,。不同模糊聚类方法已被应用在般数据或模糊数据中来产生模糊数据簇。他们研究工作是基于个模糊数据模型，而我们工作开展则基于移动目标不。
2、如果收敛依赖于下平方误差，那么在方程式中应该替代使用。在第步中，常常很困难用代数方法来确定据簇由组目标模糊子集组成。每个目标与每个簇都有个“归属关系度”。换言之，个目标可以归属于多个簇，与每个簇均有个度。模糊均值聚类算法是种最广泛使用模糊聚类方法,。不同模糊聚类方法已被应用在般数据或模糊数据中来产生模糊数据簇。他们研究工作是基于个模糊数据模型，而我们工作开展则基于移动目标不确定性模型。.不确定数据分类在图中，我们提出种分类法来阐述数据挖掘方法怎么根据是否考虑数据不准确性来分类。有很多通用数据挖掘技术，如关联规则挖掘数据分类数据聚类。当然这些技术需要经过改进才能用于处理不确定性技术。此外，我们区分出数据聚类两种类型硬聚类和模糊聚类。硬聚类旨在通过考虑预期数据来提高聚类准确性。另方面，模糊聚类则表示聚类结果为个“模糊”表格。模糊聚类个例子是每个数据项被赋予个被分配给数据簇任意成员概率。不确定性数据挖掘种新研究方。
3、绍我们提议算法。第四章将呈现我们算法在移动目标数据库应用。详细地实习结果将在第五章解释。最后在第六章总结论文并提出可能研究方向。.研究背景近年来，人们对数据不确定性管理有明显研究兴趣。数据不确定性被为两类，即已存在不确定生和数值不确定性。在第种类型中，不管目标或数据元组存在是否，数据本身就已经存在不确定性了。例如，关系数据库中元组可能与能表现不确定性数据挖掘种新研究方向它存在信任度个概率值相关联,。在数据不确定性类型中，个数据项作为个封闭区域,与其值概率密度函数限定了其可能值,。这个模型可以被应用于量化在不断变化环境下位置或传感器数据不精密度。在这个领域里，大量工作都致力于不精确查找。例如，在中，解决不确定性数据范围查询索引方案已经被提出。在中，同作者提出了解决邻近等查询方案。注意到，所有工作已经把不确定性数据管理研究结果应用于简化数据库查询中，而不是应用于相对复杂数据分析和挖掘问题中。在数据挖掘研究中，聚。
4、算机科学与技术系专业计算机科学与技术姓名学号外文出处用外文写,指导老师评语签名年月日不确定性数据挖掘种新研究方向不确定性数据挖掘种新研究方向商学院，香港大学，薄扶林，香港计算机系，香港理工大学九龙湖校区，香港计算机科学系，香港大学，薄扶林，香港摘要由于不精确测量过时来源或抽样误差等原因，数据不确定性常常出现在真实世界应用中。目前，在数据库数据不确定性处理领域中，很多研究结果已经被发表。我们认为，当不确定性数据被执行数据挖掘时，数据不确定性不得不被考虑在内，才能获得高质量数据挖掘结果。我们称之为“不确定性数据挖掘”问题。在本文中，我们为这个领域可能研究方向提出个框架。同时，我们以聚类算法为例来阐明传统算法怎么被改进来处理数据挖掘中数据不确定性。.引言由于测量不精确抽样误差过时数据来源或其他等原因，数据往往带有不确定性性质。特别在需要与物理环境交互应用中，如移动定位服务和传感器监测。例如在追踪移动目标如车辆或人。
5、情景中是最糟情况。另个常用就是高斯分布函数，它能够用于描述测量误差,。聚类问题就是在数据集簇从到找到个数据集，其中由基于相似性平均值构成。不同聚类算法对应不对目标函数，但是大意都是最小化同数据集目标间距离和最大化不同数据集目标间距离。数据集内部距离最小不确定性数据挖掘种新研究方向化也被视为每个数据点之间距离以及与对应中平均值距离最小化。在论文中，我们只考虑硬聚类，即，每个目标只分配给个个集群个元素。.均值聚类在精确数据中应用这个传统均值聚类算法目在于找到也就是由平均值构成数据集簇中找到个数据集来最小化平方误差总和。平方误差总和通常计算如下.表示个数据点与数据集平均值距离试题。例如，欧氏距离定义为个数据集平均值质心由下面向量公式来定义均值聚类算法如下.收敛可能基于不同质心来确定。些收敛性判别规则例子包括当平方误差总和小于用户专用临界值，当在次迭代中没有个目标再分配给不同数据集和当迭代。
6、,.,.“,”,.,.“,”,.据簇由组目标模糊子集组成。每个目标与每个簇都有个“归属关系度”。换言之，个目标可以归属于多个簇，与每个簇均有个度。模糊均值聚类算法是种最广泛使用模糊聚类方法,。不同模糊聚类方法已被应用在般数据或模糊数据中来产生模糊数据簇。他们研究工作是基于个模糊数据模型，而我们工作开展则基于移动目标不确定性模型。.不确定数据分类在图中，我们提出种分类法来阐述数据挖掘方法怎么根据是否考虑数据不准确性来分类。有很多通用数据挖掘技术，如关联规则挖掘数据分类数据聚类。当然这些技术需要经过改进才能用于处理不确定性技术。此外，我们区分出数据聚类两种类型硬聚类和模糊聚类。硬聚类旨在通过考虑预期数据来提高聚类准确性。另方面，模糊聚类则表示聚类结果为个“模糊”表格。模糊聚类个例子是每个数据项被赋予个被分配给数据簇任意成员概率。不确定性数据挖掘种新研究方向图.不确定性数据挖掘种分类毕业设计论文外文资料翻译系部计。
7、向图.不确定性数据挖掘种分类例如，当不确定性被考虑时，会发生个有意思问题，即如何在数据集中表示每个元组和关联不确定性。而且，由于支持和其他指标概念需要重新定义，不得不考虑改进那些著名关联规则挖掘算法如。同样地，在数据分类和数据聚集中，传统算法由于未将数据不确定性考虑在内而导致不能起作用。不得不对聚类质心两个目标距离或目标与质心距离等重要度量作重新定义和进行更深研究。．不确定性数据聚类实例在这个章节中，我们将以不确定性数据挖掘例子为大家介绍我们在不确定性数据聚类中研究工作。这将阐明我们在改进传统数据挖掘算法以适合不确定性数据问题上想法。.问题定义用表示维向量集合，其中到，这些向量表示在聚类应用中被考虑所有记录属性值。每个记录与个概率密度函数相联系，这个函数就是属性值在时间时刻概率密度函数。我们没有干涉这个不确定性函数实时变化，或记录概率密度函数是什么。平均密度函数就是个概率密度函数例子，它描述“大量不确定性”。
8、境中，数据库是不可能完全追踪到所有目标在所有瞬间准确位置。因此，每个目标位置变化过程是伴有不确定性。为了提供准确地查询和挖掘结果，这些导致数据不确定性多方面来源不得不被考虑。在最近几年里，已有在数据库中不确定性数据管理方面大量研究，如数据库中不确定性表现和不确定性数据查询。然而，很少有研究成果能够解决不确定性数据挖掘问题。我们注意到，不确定性使数据值不再具有原子性。对于使用传统数据挖掘技术，不确定性数据不得不被归纳为原子性数值。再以追踪移动目标应用为例，个目标位置可以通过它最后记录位置或通过个预期位置如果这个目标位置概率分布被考虑到归纳得到。不幸地是，归纳得到记录与真实记录之间误差可能会严重也影响挖掘结果。图阐明了当种聚类算法被应用追踪带有不确定性位置移动目标时所发生问题。不确定性数据挖掘种新研究方向图表示组目标真实数据，而图则表示记录已过时这些目标位置。如果这些实际位置是有效话，那么它们与那些从过时数据值。
9、性数据聚类实例在这个章节中，我们将以不确定性数据挖掘例子为大家介绍我们在不确定性数据聚类中研究工作。这将阐明我们在改进传统数据挖掘算法以适合不确定性数据问题上想法。.问题定义用表示维向量集合，其中到，这些向量表示在聚类应用中被考虑所有记录属性值。每个记录与个概率密度函数相联系，这个函数就是属性值在时间时刻概率密度函数。我们没有干涉这个不确定性函数实时变化，或记录概率密度函数是什么。平均密度函数就是个概率密度函数例子，它描述“大量不确定性”情景中是最糟情况。另个常用就是高斯分布函数，它能够用于描述测量误差,。聚类问题就是在数据集簇从到找到个数据集，其中由基于相似性平均值构成。不同聚类算法对应不对目标函数，但是大意都是最小化同数据集目标间距离和最大化不同数据集目标间距离。数据集内部距离最小不确定性数据挖掘种新研究方向化也被视为每个数据点之间距离以及与对应中平均值距离最小化。在论文中，我们只考虑硬聚类，即，每个目。
10、确定性模型。.不确定数据分类在图中，我们提出种分类法来阐述数据挖掘方法怎么根据是否考虑数据不准确性来分类。有很多通用数据挖掘技术，如关联规则挖掘数据分类数据聚类。当然这些技术需要经过改进才能用于处理不确定性技术。此外，我们区分出数据聚类两种类型硬聚类和模糊聚类。硬聚类旨在通过考虑预期数据来提高聚类准确性。另方面，模糊聚类则表示聚类结果为个“模糊”表格。模糊聚类个例子是每个数据项被赋予个被分配给数据簇任意成员概率。不确定性数据挖掘种新研究方向图.不确定性数据挖掘种分类例如，当不确定性被考虑时，会发生个有意思问题，即如何在数据集中表示每个元组和关联不确定性。而且，由于支持和其他指标概念需要重新定义，不得不考虑改进那些著名关联规则挖掘算法如。同样地，在数据分类和数据聚集中，传统算法由于未将数据不确定性考虑在内而导致不能起作用。不得不对聚类质心两个目标距离或目标与质心距离等重要度量作重新定义和进行更深研究。．不确定。
11、数还达到预期定义最大值。.聚类在不确定性数据中应用为了在聚类过程中考虑数据不确定性，我们提出种算法来实现最小化期望平方误差总和目标。注意到个数据对象由个带有不确定性概率密度不确定性区域决定。给定组数据群集，期望平方误差总和可以计算如下不确定性数据挖掘种新研究方向数据集平均值可以如下给出我们到此将提出种新算法，即，来实现不确定性数据聚类。.聚类算法与聚类算法最大不同点在于距离和群集计算。特别地，基于数据不确定性模型来计算预期距离和数据集质心。同时，收敛可按照不同标准来定义。注意到如果收敛依赖于下平方误差，那么在方程式中应该替代使用。在第步中，常常很困难用代数方法来确定.,,.“,”,.,,.“,”,,.“,”,,,.“,”,,,.“,”,,“,”,,.,.“,”,“,”,.,,,.“,”.,.“,”,,,“,”,,,。
12、中得到数据集群有明显差异。如果我们仅仅依靠记录数据值，那么将会很多目标可能被置于错误数据集群中。更糟糕地是，个群中每个成员都有可能改变群质心，因此导致更多错误。图数据图图.表示真实数据划分成三个集群。表示有些目标隐藏记录位置与它们真实数据不样，因此形成集群和”。注意到集群中比集群少了个目标，而集群中比集群多个目标。同时，也误拆分会为和”。表示方向不确定性被考虑来推测出集群，和。这种聚类产生结果比结果更加接近。我们建议将不确定性数据概率密度函数等不确定性信息与现有数据挖掘方法结合，这样在实际数据可利用于数据挖掘情况下会使得挖掘结果更接近从真实数据中获得结果。本文研究了不确定性怎么通过把数据聚类当成种激励范例使用使得不确定性因素与数据挖掘相结合。我们称之为不确定性数据挖掘问题。在本文中，我们为这个领域可能研究方向提出个框架。文章接下来结构如下。第二章是有关工作综述。在第三章中，我们定义了不确定性数据聚类问题和介。
参考资料：
（外文翻译）不确定性数据挖掘一种新的研究方向（外文+译文）