數(shù)據(jù)挖掘經(jīng)過幾十年的發(fā)展,已經(jīng)成為目前計算機科學研究領(lǐng)域的重要方向之一,通過數(shù)據(jù)挖掘我們可以在數(shù)據(jù)中探索到潛在的規(guī)律。數(shù)據(jù)挖掘中有一項在我們?nèi)粘Ｉ钪袘梅浅V泛且非常重要的方法,即聚類分析。同樣,聚類分析也一直是國內(nèi)外相關(guān)學者研究的一個重要領(lǐng)域。聚類分析技術(shù)可以探究到數(shù)據(jù)中潛在的構(gòu)造,從而在很多專業(yè)領(lǐng)域的運用非常廣泛。在聚類分析領(lǐng)域中,基于概念分解算法（CF）得到了廣泛的應用,因為該方法能夠?qū)⒕仃嚪纸馔茝V到單個非線性核空間,使得多維數(shù)據(jù)更容易被描述,該方法被廣泛運用在信號處理和計算機視覺等領(lǐng)域的研究中。但是,基于概念分解的聚類算法在實際應用中面臨的一個重要問題是針對特定的任務(wù)或數(shù)據(jù)集該如何設(shè)計合適的核函數(shù),因為很多情況下單一的線性方法或非線性方法不能體現(xiàn)任務(wù)的具體特性。針對概念分解在聚類分析時面臨的核函數(shù)選擇和設(shè)計的困難,我們提出了兩個相應的多核概念分解方法,具體如下:（1）提出了基于全局融合的多核概念分解方法（GMKCF）。該方法通過全局線性加權(quán)的方式將多個候選核函數(shù)合并,并將多核融合過程和概念分解過程進行聯(lián)合學習。一方面借助融合后的高質(zhì)量核函數(shù)提升概念分解質(zhì)量,另一方面借助概念分... 

【文章來源】：山西大學山西省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基礎(chǔ)知識
    2.1 聚類分析相關(guān)理論
        2.1.1 聚類分析的概念
        2.1.2 聚類算法的分類
    2.2 非負矩陣分解相關(guān)理論
        2.2.1 非負矩陣分解研究背景
        2.2.2 非負矩陣分解定義
        2.2.3 非負矩陣分解的應用
    2.3 概念分解相關(guān)理論
        2.3.1 基本理論
        2.3.2 概念分解方法研究進展
    2.4 多核聚類相關(guān)理論
        2.4.1 多核聚類代表性方法
        2.4.2 多核聚類的研究進展
    2.5 本章小結(jié)
第三章 基于全局融合的多核概念分解模型求解算法
    3.1 基于全局融合的多核概念分解模型
    3.2 基于全局融合的多核概念分解模型求解算法
        3.2.1 基于全局融合的多核概念分解算法
        3.2.2 算法收斂性證明
        3.2.3 算法復雜性說明
    3.3 實驗結(jié)果與分析
        3.3.1 數(shù)據(jù)集的選擇
        3.3.2 對比方法
        3.3.3 評價指標
        3.3.4 聚類結(jié)果分析
        3.3.5 運行時間分析
    3.4 本章小結(jié)
第四章 基于局部判別分析全局集成的多核概念分解算法
    4.1 基于局部判別分析全局集成的多核概念分解模型
        4.1.1 多核概念分解
        4.1.2 局部判別正則化
        4.1.3 局部判別分析全局集成的多核概念分解模型
    4.2 基于局部判別分析全局集成的多核概念分解模型求解算法
        4.2.1 基于局部判別分析全局集成的多核概念分解算法
        4.2.2 收斂性證明
        4.2.3 算法復雜性說明
    4.3 實驗結(jié)果與分析
        4.3.1 數(shù)據(jù)集的選擇
        4.3.2 對比方法
        4.3.3 實驗設(shè)置
        4.3.4 聚類結(jié)果分析
        4.3.5 運行時間分析
        4.3.6 參數(shù)敏感性
        4.3.7 收斂性
        4.3.8 GMKCF和DMKCF比較
    4.4 本章小結(jié)
    4.5 本章附錄
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式


【參考文獻】：
期刊論文
[1]基于全局融合的多核概念分解算法[J]. 李飛,杜亮,任超宏.  計算機應用. 2019(04)
[2]數(shù)據(jù)挖掘常用分類算法研究[J]. 王明星,劉鋒.  電腦知識與技術(shù). 2013(34)
[3]基于線性投影結(jié)構(gòu)的非負矩陣分解[J]. 李樂,章毓晉.  自動化學報. 2010(01)
[4]基于聚類的網(wǎng)絡(luò)輿情熱點發(fā)現(xiàn)及分析[J]. 王偉,許鑫.  現(xiàn)代圖書情報技術(shù). 2009(03)
[5]非負矩陣分解算法綜述[J]. 李樂,章毓晉.  電子學報. 2008(04)
[6]基于用戶聚類的電子商務(wù)推薦系統(tǒng)[J]. 潘宇,林鴻飛,楊志豪.  計算機應用與軟件. 2008(04)
[7]基于層次劃分的最佳聚類數(shù)確定方法[J]. 陳黎飛,姜青山,王聲瑞.  軟件學報. 2008(01)
[8]核聚類算法[J]. 張莉,周偉達,焦李成.  計算機學報. 2002(06)



本文編號：3412259