聚类分析作为数据挖掘的一项重要技术,其核心思想是将一个给定数据集划分成多个子集,每个子集为一个簇,使得簇内对象彼此相似,与其他簇中对象不相似。传统的聚类算法可分为基于划分聚类、层次聚类、基于密度和网格聚类、基于模型的聚类、其他聚类算法等。目前,聚类分析已广泛应用在Web搜索、文本处理、医疗数据分析等众多场景中。非均匀数据(non-uniform data)是现实生活中一类常见的数据集,例如医疗诊断数据、森林灾害监测数据等。这类数据典型特点是在一个数据集中不同簇之间的样本数量和样本密度有较大差异,相较于不平衡数据(Imbalanced data),非均匀数据能更准确地表述此类数据。对这类数据进行聚类分析是当前数据挖掘领域的一个难点的问题。针对这一难点问题研究者做了相关研究,但目前仍存在一定的问题,其中较为突出的有:(1)K-means型算法对非均匀数据进行聚类分析时存在“均匀效应”问题;(2)当前的非均匀数据聚类算法大多定义在全空间中,并没有考虑子空间情形;(3)大规模非均匀数据的处理效率问题。针对以上问题,本文分别做了相关研究。以下对本文研究工作和创新之处进行简要介绍:(1)提出一种基于变异系数的非均匀聚类算法,以解决“均匀效应”问题。本文以变异系数度量非均匀数据的分布散度,同时定义了一种非均匀数据的相异度公式;基于新的相异度度量方法定义了聚类目标优化函数,并根据局部优化方法给出聚类算法过程;最后,在医疗诊断数据集上进行应用分析,实验结果表明,该算法在非均匀数据上提高了聚类精度。(2)提出了一种非均匀数据的软子空间聚类算法。首先介绍了子空间聚类,然后提出一个描述非均匀数据簇的软子空间高斯混合分布模型,该模型允许数据集中同时包含密度和大小存在差异的簇;其次,推导了非均匀数据聚类的目标优化函数,并定义了优化该函数的EM型聚类算法。在医疗诊断和其他真实数据上进行应用分析,实验结果表明新算法有较高的聚类精度。(3)将非均匀数据聚类算法与Spark平台结合,利用并行计算对大规模非均匀数据进行聚类分析。本文以一种非均匀数据聚类算法为基础对算法进行了相关改进设计以适应分布式平台并行计算所需要的条件,然后在Spark平台中实现了算法并进行了实验测试。