1. 研究目的与意义

聚类是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。全面总结了大部分常用聚类算法的主要特点,对一些经典聚类算法进行比较,并提出了相关结论,最后对几种新型的聚类算法进行基本概括。

聚类(clustering)分析是数据挖掘技术的重要组成部分,它能从潜在的数据中发现新的、有意义的数据分布模式,已经广泛应用于模式识别、数据分析、图像识别及其他许多方面。聚类[ 1 ]是在事先不规定分组规则的情况下,将数据按照其自身特征划分成不同的群组。其重要特征是物以类聚,即要求在不同群组的数据之间差距越大、越明显越好,而每个群组内部的数据之间要尽量相似,差距越小越好。

聚类是一个具有挑战性的研究领域,目前对聚类算法的研究非常多。基本上所有的聚类算法都具有其各自的特点,只适用于某些特定领域,目前还没有能适用于各种领域的聚类算法。如较常用的k2means算法主要以方法简单、执行效率高见长,但只能识别大小近似的球形类; dbscan算法能很好地过滤噪声数据,但其时间复杂度却为o ( n2 ) ,效率不高。聚类算法大体可分为五类:划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法。

2. 国内外研究现状分析

经典聚类分析方法在很多领域已经得到了成功的应用， 聚类分析被广泛应用在金融数据的分类、空间数据处理、卫星图片分析和医学图像的自动检测中。聚类分析研究在国内外都有很长的历史， 几十年来， 其重要性及与其他研究方向的交叉特性得到人们的肯定。聚类是数据挖掘、模式识别等研究方向的重要研究内容之一， 在识别数据的内在结构方面具有极其重要的作用。聚类主要应用于模式识别中的语音识别、字符识别等， 机器学习中的聚类算法应用于图像分割和机器视觉，图像处理中聚类用于数据压缩和信息检索。聚类的另一个主要应用是数据挖掘(多关系数据挖掘)、时空数据库应用(GIS 等)、序列和异类数据分析等。此外， 聚类还应用于统计科学， 值得一提的是， 聚类分析对生物学、心理学、考古学、地质学、地理学以及市场营销等研究也都有重要作用。

国外研究人员早在20 世纪60 年代就发现应力波在木材中传播会受到木材内部缺陷的影响，通过检测应力波的传播时间可以判断木材的性质。Robert J.Ross 等在2005 年对剥皮后的花旗松进行检测，结论是应力波检测的剥皮后木材动态弹性模量可以很好地预测原木的动态、静态弹性模量，但与原木的抗弯、抗压弹性模量的关系不显著。我国木材领域的应力波无损检测技术起步较晚，虽然时间不长，但也取得了很多研究成果。2005 年，东北林业大学的林文树等进行了超声波与应力波在木材内部缺陷检测中的对比研究，发现木材密度、孔洞大小及数量对两种波传播参数及动态弹性模量都有不同程度的影响。

3. 研究的基本内容与计划

本课题研究的主要内容是：用C 语言编写程序实现CURE 算法，达到研究木材产量的目的，并提高效率和准确度。

时间安排：首先第一时间在图书馆查询资料，明确研究的目的，意义以及研究课题的现状，完成开题报告。接下来两至三周时间深入研究，编写程序，完成论文。最后阶段与指导老师积极交流，修改论文，最终定稿。

4. 研究创新点

cure（clustering using representatives）是一种针对大型数据库的高效的聚类算法。

基于划分的传统的聚类算法得到的是球状的，相等大小的聚类，对异常数据比较脆弱。

cure采用了用多个点代表一个簇的方法，可以较好的处理以上问题。