学海网

硕士论文-基于聚类分析的时序数据挖掘在玉米测产中的应用研究，共51页，29886字。
摘要
随着计算机技术及信息技术的飞速发展，人们在日常生活中和科学研究中积累了大量的数据，这些数据的背后隐藏着重要的潜在信息，如何从大量的数据中获取有价值的信息，并充分的利用这些信息就成为当今数据挖掘领域研究的热点问题。
时间序列数据反映了属性值在时间或空间顺序上的特征。利用时间序列数据挖掘 (Time Series Data Mining，简称TSDM)，可以获得数据中蕴含的与时间相关的有用信息，实现知识的提取。由于时间序列的数据类型复杂且具有高维性、噪声干扰及波动性等特点，因此时间序列挖掘已成为数据挖掘中的一个重要研究方向。
聚类分析是数据挖掘研究的一个十分重要的方法。在玉米测产系统中，时间序列是最常见的数据形式。采用聚类分析方法对大量的玉米产量时间序列进行研究分析具有很大的应用价值，一方面可以发现典型的玉米产量变化趋势规律，另一方面可以对检测点具有不同产量特性的时段进行合理分组，进而针对各时段制定出相应的产量控制策略，同时还可进一步结合空间信息发现一些有意义的玉米产量时空分布规律。
本文在国内外时间序列数据挖掘最新研究的基础上，把玉米产量数据序列作为分析处理的对象，结合线性回归分析技术和聚类分析理论，对玉米产量时间序列进行了聚类分析。本文将分层聚类算法与AR时序算法相融合，在得到玉米产量分类初始模式的基础上进一步挖掘具有相应玉米产量特征的时段模式，建立一个AR时序模型，并对2005年至2008年的玉米产量进行预测，最终得到了较为满意的实验结果。并在VC++环境下实现了玉米测产挖掘的整个过程，并提出了进一步的研究方向。
关键词：数据挖掘，时间序列，聚类分析，AR模型

目录
第1章 绪论 1
1.1 研究背景 1
1.2 数据挖掘概述 2
1.2.1 数据挖掘定义 2
1.2.2 数据挖掘一般过程 3
1.3 研究内容 4
1.4 课题意义 5
第2章 聚类分析 6
2.1 聚类概述 6
2.2 聚类分析算法的概念与基本分类 6
2.2.1 聚类概念 6
2.2.2 聚类分析方法的分类 6
2.3 距离与相似性的度量 8
2.3.1 距离函数 8
2.3.2 类间距离 10
2.4 聚类分析技术的研究现状 11
第3章 时间序列分析及时间序列数据挖掘 12
3.1 时间序列分析的目的及方法 12
3.1.1 时间序列分析的目的 12
3.1.2 时间序列分析方法 13
3.2 时间序列预测的常用方法 14
3.2.1 确定性时间序列预测方法 14
3.2.2 随机时间序列预测方法 15
3.2.3 其它预测方法 17
3.3 时间序列数据挖掘 17
3.3.1 时间序列数据挖掘的研究任务 18
3.3.2 时间序列数据挖掘技术与方法 18
3.3.3 时间序列数据挖掘研究现状 20
第4章 基于聚类分析的时序数据挖掘 22
4.1 数据预处理 22
4.1.1 数据来源 22
4.1.2 线性回归分析 23
4.1.3 实验结果分析 23
4.2 基于分层聚类算法的聚类分析 26
4.2.1 数据来源 27
4.2.2 分层聚类算法 27
4.2.3 实验结果分析 29
4.3 基于AR模型的时序数据挖掘 31
4.3.1 数据来源 31
4.3.2 AR时序算法 32
4.3.3 实验结果分析 34
第5章 基于聚类分析的时序数据挖掘在玉米测产系统中的应用 37
5.1 系统框图 37
5.2 模块功能介绍 37
第6章 总结与展望 39
6.1 主要研究内容 39
6.2 进一步的研究 39
参考文献 41
致谢 43
作者简介及发表论文情况 44