基于空間變換的聚類（CST:Clustering based on Space Transformation）是本文提出的一個新的聚類算法統(tǒng)一框架,其旨在提高單個聚類算法的有效性和普適性,并緩解用戶對選擇合適聚類算法的困難和選擇合適參數(shù)的困難�？臻g變換是將原始的歐氏距離空間通過非線性的映射,建立到一個新的相似度空間。不同于深度學習的特征空間提取,這里的空間變換的映射是顯式的,具有可解釋性的,更適用于聚類算法研究。在這個新的相似度空間中,聚類的結(jié)構(gòu)信息更加凸顯。對于聚類的有用信息來說,在不減少正面信息的情況下,大大減少負面信息,使其最終所保留的信息更易于被傳統(tǒng)的聚類算法所處理,并保持對數(shù)據(jù)中的離群點和異常點有一定的魯棒性。本文以譜聚類的使用為例,通過對其輸入矩陣的空間變換,來觀察聚類的最終效果。本文研究了兩類空間變換的范式的有效性和普適性,并試圖討論空間變換對聚類結(jié)果的影響因素。為了自動選擇合適的空間變換的聚類結(jié)果,本文提出使用聚類內(nèi)部指標。空間變換的關(guān)鍵問題是聚類內(nèi)部指標的設(shè)計,本文首次將聚類的機制問題納入聚類內(nèi)部指標的設(shè)計,并使這個新的聚類內(nèi)部指標總體上明顯優(yōu)于現(xiàn)存的聚類內(nèi)部指標,并... 

【文章來源】：寧波大學浙江省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
引言
1 緒論
    1.1 研究背景
    1.2 相關(guān)研究
        1.2.1 多目標優(yōu)化的研究
        1.2.2 聚類集成的研究
        1.2.3 聚類算法推薦的研究
    1.3 文章的組織結(jié)構(gòu)
2 聚類相似性的空間變換
    2.1 空間變換的初始化
    2.2 聚類的外部指標
    2.3 相似度矩陣的可視化
    2.4 關(guān)聯(lián)矩陣的負證據(jù)抹除
    2.5 歐式距離矩陣的類高斯過濾
    2.6 實驗結(jié)果
        2.6.1 所使用的數(shù)據(jù)集
        2.6.2 有效性之關(guān)聯(lián)矩陣的負證據(jù)抹除
        2.6.3 有效性之歐式距離矩陣的類高斯過濾
        2.6.4 兩種空間變換的比較
    2.7 本章小結(jié)
3 融合密度信息的聚類內(nèi)部指標
    3.1 內(nèi)部指標在聚類分析中的重要性
    3.2 相關(guān)工作
        3.2.1 內(nèi)部有效性指標的構(gòu)成元素
        3.2.2 目前內(nèi)部有效性指標的局限性
    3.3 一個新的密度融合距離
        3.3.1 使用密度估計處理離群點
        3.3.2 使用互密度處理密度敏感聚類
        3.3.3 融合離群點因素與互密度因素
    3.4 CVDD:一個新的聚類有效性指標
    3.5 實驗結(jié)果
        3.5.1 比較最佳劃分的質(zhì)量
        3.5.2 預測最佳的聚類個數(shù)
        3.5.3 討論密度估計中參數(shù)的影響
    3.6 本章小節(jié)
4 總結(jié)與展望
參考文獻
在學研究成果
致謝
Abstract of Thesis
論文摘要



本文編號：3221478