1、近年來，隨著國家經(jīng)濟的快速發(fā)展和網(wǎng)絡(luò)技術(shù)的廣泛應(yīng)用，數(shù)據(jù)源開始不斷地膨脹，人們獲取的數(shù)據(jù)集規(guī)模逐漸增大，數(shù)據(jù)結(jié)構(gòu)也變得日漸復雜，如何從大規(guī)模復雜結(jié)構(gòu)的數(shù)據(jù)中獲取有效信息成為當下的研究熱點。
　　聚類分析作為數(shù)據(jù)挖掘領(lǐng)域中一項重要的數(shù)據(jù)分析技術(shù)，在模式識別、信息處理、機器學習等領(lǐng)域都有著廣泛的應(yīng)用前景。由于初始條件和聚類準則的不唯一性，使得各種各樣的聚類算法應(yīng)運而生。但面對越來越多具有類間相似、類內(nèi)相異、噪聲、重疊等現(xiàn)象的大型數(shù)據(jù)集

2、，現(xiàn)有聚類算法的局限性日益凸顯。
　　針對傳統(tǒng)聚類算法處理噪聲和重疊現(xiàn)象能力差的問題，本文從統(tǒng)計學的角度出發(fā)，提出了一種基于密度的統(tǒng)計合并聚類算法(DSM)。該算法創(chuàng)新性地將數(shù)據(jù)點的每一個特征看作一組獨立隨機變量，并根據(jù)獨立有限差分不等式得出統(tǒng)計合并判定準則，同時，結(jié)合數(shù)據(jù)點的密度信息，把密度從大到小的排序作為凝聚過程中的合并順序，實現(xiàn)了各類數(shù)據(jù)點的統(tǒng)計合并。人工數(shù)據(jù)集和真實數(shù)據(jù)集的實驗結(jié)果表明：DSM算法不僅可以處理凸狀數(shù)據(jù)集，

3、對于非凸狀、重疊、加入噪聲的數(shù)據(jù)集也有良好的聚類效果，充分說明了該算法良好的適用性和有效性。
　　針對處理大數(shù)據(jù)時傳統(tǒng)聚類算法失效或大數(shù)據(jù)聚類算法效果不理想的問題，本文從數(shù)據(jù)抽樣的角度出發(fā)，提出了一種大數(shù)據(jù)的密度統(tǒng)計合并算法(DSML)。該算法是DSM算法在應(yīng)用范圍上的推廣。首先利用統(tǒng)計合并判定準則對Leaders算法做出改進，獲得新的抽樣算法—Statistical Leaders算法；然后將Statistical Leader