隨著信息技術(shù)的高速發(fā)展,數(shù)據(jù)總量呈現(xiàn)出指數(shù)型增長(zhǎng)的趨勢(shì).各個(gè)公司依托其強(qiáng)大的存儲(chǔ)能力,不斷地采集、整理和分析數(shù)據(jù),希望從中挖掘出有價(jià)值的信息.大量數(shù)據(jù)存放于不同的數(shù)據(jù)站點(diǎn)或各種類型的服務(wù)器中.由于安全、隱私或其他技術(shù)原因的限制,各個(gè)公司不愿意分享本地?cái)?shù)據(jù)從而無(wú)法在數(shù)據(jù)層面實(shí)現(xiàn)共享,因此只能在非數(shù)據(jù)層面進(jìn)行信息交互.為了更好地利用不同層面的信息來(lái)探究本地?cái)?shù)據(jù)站點(diǎn)的內(nèi)部結(jié)構(gòu),基于協(xié)作機(jī)制的聚類算法應(yīng)運(yùn)而生.協(xié)作聚類的基本思想是首先在各個(gè)數(shù)據(jù)站點(diǎn)獨(dú)立地運(yùn)行聚類算法,然后通過(guò)交換每個(gè)數(shù)據(jù)站點(diǎn)的局部結(jié)構(gòu)信息進(jìn)行交互,從而揭示不同數(shù)據(jù)站點(diǎn)潛在的共同底層結(jié)構(gòu).其中證據(jù)聚類算法基于證據(jù)理論中信任劃分的概念,拓展了傳統(tǒng)硬劃分、模糊劃分和可能性劃分算法,能夠更好地了解數(shù)據(jù)的內(nèi)在結(jié)構(gòu).本文在證據(jù)理論框架下,首次基于證據(jù)c-均值算法引入?yún)f(xié)作機(jī)制,提出了協(xié)作證據(jù)聚類的概念用于探究各個(gè)數(shù)據(jù)站點(diǎn)深層次的結(jié)構(gòu)信息.首先,通過(guò)各數(shù)據(jù)站點(diǎn)簇結(jié)構(gòu)信息中的信任劃分矩陣建立證據(jù)理論框架下的協(xié)作機(jī)制,從而滿足數(shù)據(jù)機(jī)密性要求.其次,考慮到存在信息交互過(guò)度和信息交互不充分性的問(wèn)題,分別設(shè)計(jì)了單步協(xié)作和多步協(xié)作證據(jù)聚類算法,其中多步協(xié)... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市211工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
符號(hào)表
第1章 緒論
    1.1 研究背景及意義
    1.2 證據(jù)理論與協(xié)作聚類算法的研究現(xiàn)狀
    1.3 主要工作和結(jié)構(gòu)安排
第2章 基礎(chǔ)知識(shí)
    2.1 證據(jù)理論
    2.2 證據(jù)聚類算法
        2.2.1 信任劃分
        2.2.2 ECM算法
    2.3 調(diào)整蘭德指數(shù)
    2.4 本章小結(jié)
第3章 協(xié)作證據(jù)聚類算法
    3.1 問(wèn)題陳述
    3.2 單步協(xié)作證據(jù)聚類算法
        3.2.1 目標(biāo)函數(shù)
        3.2.2 優(yōu)化細(xì)節(jié)
        3.2.3 算法步驟
    3.3 多步協(xié)作證據(jù)聚類算法
        3.3.1 結(jié)構(gòu)相似性指標(biāo)
        3.3.2 多步協(xié)作證據(jù)聚類算法
        3.3.3 協(xié)作強(qiáng)度系數(shù)κ的輔助設(shè)定方法
    3.4 協(xié)作性能外部評(píng)估指標(biāo)
    3.5 本章小結(jié)
第4章 模擬研究
    4.1 數(shù)據(jù)集構(gòu)建
    4.2 協(xié)作效應(yīng)的考察
    4.3 本章小結(jié)
第5章 實(shí)證分析
    5.1 數(shù)據(jù)站點(diǎn)的構(gòu)造
    5.2 協(xié)作效應(yīng)的考察
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間的論文成果
致謝



本文編號(hào)：3637603