密度峰值聚類(lèi)算法是一種通過(guò)尋找密度峰值實(shí)現(xiàn)快速聚類(lèi)的新穎算法,具有實(shí)現(xiàn)簡(jiǎn)單、所需參數(shù)少、能處理非凸數(shù)據(jù)、聚類(lèi)效果良好等優(yōu)點(diǎn)。憑借以上優(yōu)點(diǎn),密度峰值聚類(lèi)算法為很多現(xiàn)實(shí)問(wèn)題提供了新的解決思路,并且被應(yīng)用到眾多領(lǐng)域,已成為聚類(lèi)領(lǐng)域的一個(gè)研究熱點(diǎn)。然而,由于其還存在無(wú)法自動(dòng)識(shí)別聚類(lèi)中心、對(duì)類(lèi)簇間密度相差較大的數(shù)據(jù)集還不能有效處理等問(wèn)題,本文設(shè)計(jì)了相應(yīng)的改進(jìn)算法,提高了密度峰值算法的性能。具體研究?jī)?nèi)容如下:（1）針對(duì)密度峰值算法關(guān)于聚類(lèi)中心的人工識(shí)別問(wèn)題,提出了一種聚類(lèi)中心自動(dòng)識(shí)別的密度峰值聚類(lèi)算法。首先,設(shè)計(jì)了一種適用于不同規(guī)模數(shù)據(jù)集的基于貢獻(xiàn)度的密度度量方法,以便能精密地度量數(shù)據(jù)點(diǎn)的密度并優(yōu)化決策圖的分布。然后,根據(jù)決策圖上密度與距離的分布特性,設(shè)計(jì)了新的聚類(lèi)中心選取方法,能夠自動(dòng)地將那些密度與距離均較大的數(shù)據(jù)點(diǎn)選取為局部聚類(lèi)中心,進(jìn)而形成局部的聚類(lèi)結(jié)果。最后,根據(jù)局部類(lèi)簇之間的共享邊界密度信息,將局部聚類(lèi)自動(dòng)地合并為全局聚類(lèi)。實(shí)驗(yàn)結(jié)果表明,新提出的算法不但能自動(dòng)地識(shí)別出局部聚類(lèi)中心,并且能夠準(zhǔn)確地將局部聚類(lèi)合并為全局聚類(lèi),實(shí)現(xiàn)了對(duì)數(shù)據(jù)集的自動(dòng)聚類(lèi),解決了密度峰值算法在聚類(lèi)過(guò)程中需要人工選取... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 密度峰值聚類(lèi)算法存在的問(wèn)題
    1.4 本文的主要研究?jī)?nèi)容
    1.5 本文組織結(jié)構(gòu)
第二章 聚類(lèi)基礎(chǔ)知識(shí)介紹
    2.1 聚類(lèi)分析的基本概念
        2.1.1 聚類(lèi)步驟及形式化描述
        2.1.2 常用的相似性度量方法
        2.1.3 本文所用的聚類(lèi)評(píng)價(jià)指標(biāo)
    2.2 常用的聚類(lèi)算法
        2.2.1 基于劃分的聚類(lèi)算法
        2.2.2 基于層次的聚類(lèi)算法
        2.2.3 基于密度的聚類(lèi)算法
        2.2.4 基于網(wǎng)格的聚類(lèi)算法
        2.2.5 基于模型的聚類(lèi)算法
        2.2.6 近鄰傳播算法
    2.3 密度峰值聚類(lèi)算法
        2.3.1 算法思想
        2.3.2 算法步驟
    2.4 本章小結(jié)
第三章 一種聚類(lèi)中心自動(dòng)識(shí)別的密度峰值聚類(lèi)算法
    3.1 問(wèn)題描述
    3.2 一種聚類(lèi)中心自動(dòng)識(shí)別的密度峰值聚類(lèi)算法
        3.2.1 考慮貢獻(xiàn)度的密度度量方法
        3.2.2 識(shí)別局部聚類(lèi)中心
        3.2.3 合并局部聚類(lèi)
        3.2.4 算法步驟
        3.2.5 算法復(fù)雜度分析
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 人造數(shù)據(jù)集實(shí)驗(yàn)
        3.3.2 UCI數(shù)據(jù)集實(shí)驗(yàn)
    3.4 本章小結(jié)
第四章 基于K近鄰的密度峰值聚類(lèi)算法
    4.1 問(wèn)題描述
    4.2 K近鄰算法介紹
    4.3 基于K近鄰的密度峰值聚類(lèi)算法
        4.3.1 考慮數(shù)據(jù)點(diǎn)空間分布的密度度量方法
        4.3.2 數(shù)據(jù)點(diǎn)分配
        4.3.3 算法步驟
        4.3.4 算法復(fù)雜度分析
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 人造數(shù)據(jù)集實(shí)驗(yàn)
        4.4.2 UCI數(shù)據(jù)集實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于密度比例的密度峰值聚類(lèi)算法[J]. 高詩(shī)瑩,周曉鋒,李帥.  計(jì)算機(jī)工程與應(yīng)用. 2017(16)
[2]一種基于網(wǎng)格的密度峰值聚類(lèi)算法[J]. 王飛,王國(guó)胤,李智星,彭思源.  小型微型計(jì)算機(jī)系統(tǒng). 2017(05)
[3]基于流形距離的密度峰值快速搜索聚類(lèi)算法[J]. 張嘉琪,張紅云.  電腦知識(shí)與技術(shù). 2017(02)
[4]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi.  Chinese Journal of Electronics. 2016(03)
[5]基于點(diǎn)距離和密度峰值聚類(lèi)的社區(qū)發(fā)現(xiàn)方法[J]. 黃嵐,李玉,王貴參,王巖.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2016(06)
[6]自動(dòng)確定聚類(lèi)中心的密度峰聚類(lèi)[J]. 李濤,葛洪偉,蘇樹(shù)智.  計(jì)算機(jī)科學(xué)與探索. 2016(11)



本文編號(hào)：2997982