[发明专利]一种多分辨率数据聚类分析方法

权利要求书

1.一种多分辨率数据聚类分析方法，其特征在于，包括以下步骤：

步骤S1，采用累积泊松概率密度函数对人脸图像数据集中的数据对象的逆k最近邻数目进行度量得到动态局部密度，k为最近邻数目；人脸图像数据集包括同一个人的n张人脸图像，数据对象为人脸特征；

步骤S2，根据动态局部密度的降排序，采用逆k最近邻扩展的方法依次遍历数据集，生成人脸图像数据集Compoud时域上的聚类结构；

步骤S3，将聚类结构向量作为一维信号，利用小波变换对人脸图像数据集Compoud的聚类结构进行分析，得到人脸图像数据集Compoud时频域上的聚类结构；对数据集Compoud频域上的聚类结构进行密度变化分析，得到人脸图像数据集Compoud频域上的聚类结果，聚类结果包括类簇大小、密度变化、数据密度分布和边缘分布；

步骤S1中，数据集S，数据集S包含n个数据对象p，数据对象p的动态局部密度DLD(p)的计算模型定义为：

在公式(1)中，j＝1,2,...,k，j表示k值动态增加，C_K为数据对象p的逆k最近邻数目，C_j-1为数据对象p的逆j-1最近邻数目，C_j为数据对象p的逆j最近邻数目，(c_j-c_j-1)/c_j为动态贡献权重，表示累积泊松概率密度，表示考虑贡献权重的动态局部密度。

2.根据权利要求1所述的一种多分辨率数据聚类分析方法，其特征在于：数据集S的动态局部密度DLD的计算过程为：

步骤S101，计算数据集S中第i个数据对象p的j最近邻数目，其中，i＝1,2,...n，j＝1,2,...,k；

步骤S102，计算数据集S中第i个数据对象p的动态逆j最近邻数目，根据公式(1)，计算第i个数据对象p的动态局部密度DLD(i)；

步骤S103，数据集S中所有数据对象的动态局部密度的集合为动态局部密度DLD。

3.根据权利要求1所述的一种多分辨率数据聚类分析方法，其特征在于：步骤S2中，逆k最近邻扩展的方法具体为：

步骤S200，将数据对象均标记为未遍历；

步骤S201，依据动态局部密度的降排序找出未遍历的数据对象，若找到未遍历的数据对象，执行步骤S202；若未找到未遍历的数据对象，则得到聚类结构；

步骤S202,若数据对象的逆k最近邻数目小于预设阈值t，将数据对象标记为已遍历；若数据对象的逆k最近邻数目大于等于预设阈值t，将数据对象的逆k最近邻加入聚类结构，并重新按照动态局部密度的降排序对数据对象进行排序，执行步骤S201。

4.根据权利要求1所述的一种多分辨率数据聚类分析方法，其特征在于：步骤S3的具体分析方法为：

步骤S301，将聚类结构向量看做一维信号，利用小波变换对聚类结构进行分析，同时得到时频域上的聚类结构；

步骤S302，对时频域上的聚类结构进行突变点分析，频域上的聚类结构的突变点对应时域上聚类间断点的索引；

步骤S303，根据突变点的索引将聚类结构划分为多个类簇，得到聚类结果。