[发明专利]一种面向多维属性数据的多层聚类融合机制的设计方法

权利要求书

1.一种面向多维属性数据的多层聚类融合机制的设计方法，其特征在于，所述方法包括如下步骤：

步骤1：将数据集转化成矩阵形式，对数据进行预处理；

步骤2：根据数据指标属性特点提取最优参考标准，并对数据进行归一化处理；

步骤3：计算灰关联度，生成灰关联度相似矩阵，然后进行灰关联度聚类,得到初次聚类结果；

步骤4：根据上述步骤3初次聚类结果，采用粗糙集理论建立决策表系统；

步骤5：对每个聚类成员c_h,计算它在该决策系统中的属性重要性信息熵值E_h＝I(c_h,D)，D表示最优参考标准融合结果；

步骤6：对每个聚类成员c_h设置权值:p代表有p组参考序列；

步骤7：根据计算的权值，采用概率方法计算每个数据对象在每个所属类级别里的概率，从中选择取值最大概率时所在的类级别，就是该数据对象所属类级别，得到最终聚类融合结果。

2.根据权利要求1所述的一种面向多维属性数据的多层聚类融合机制的设计方法，其特征在于，所述方法的步骤1包括如下步骤：

各传感器节点获得感知区域数据信息，完成本地数据矩阵化；

(1)分析域数据集X，即：比较对象集；

X＝{X_i|X_i＝(X_i1,...,X_im,class)}i∈N,m∈N

每个样本数据X_i i∈N代表第i个数据对象，每个数据对象有m种属性，class代表该数据对象所属类级别，初始时都是0；

(2)参考序列集，即：参考对象集Y＝{Y_i|Y_i＝(Y_i1,...,Y_im)}i＝1,2,...,p；

其中p∈N，p代表有p组参考序列，m代表每组参考序列有m种属性，每一组参考序列与分析域的比较对象集经过灰关联聚类都可以得到一种聚类结果，p组参考序列分别与比较对象集经聚类可得到p种聚类结果，而从分析域数据集本身提取的最优参考标准与比较对象集经过聚类也得到一种聚类结果，整个过程得到p+1种聚类结果，即p+1个聚类成员；

(3)无线传感器网络感知的数据容易出现差错，且在时间和空间上存在不确定性、冗余性；首先要对采集的数据进行过滤清洗，筛选掉异常信息数据，通过设置合理的阈值，过滤掉异常孤立点。