一种适合于科学数据的聚类算法

聚类是科学数据挖掘中的核心问题。在已提出的聚类算法中大都是基于“距离”的概念,这类算法的缺点在于处理数据量大和维数高的科学数据时不够有效,因此提出迭代网格算法。这个算法与基于距离的损法有根本不同,它抛弃了距离的概念,而采取一种新的思路。它不仅能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;而且它能很好的处理维数高和数据量大的科学数据。

用ICA提取高维科学数据的特征

独立分量分析(ICA)是基于数据高阶统计特性的一种线性变换手段。目前,已广泛应用于盲信号分离和图像识别。文章将此技术引入到科学数据挖掘领域,以求解决预处理中高维复杂特征的提取问题。提出了ICA结合主成分分析(PCA)的特征提取步骤,并结合科学数据集量大的特点给出了一种快速收敛算法—FastICA。最后指出ICA特征提取技术可以应用于高维科学数据挖掘,并且较传统的特征提取技术有更高的准确率。