聚類分析是一種重要的無監(jiān)督學(xué)習(xí)方式,被廣泛地應(yīng)用于交通、金融、農(nóng)業(yè)和醫(yī)療等實(shí)際領(lǐng)域中。但在聚類分析中,類簇?cái)?shù)的確定問題一直都是一個(gè)難題。傳統(tǒng)的引入聚類有效性指標(biāo)的方法不僅具有傾向性,而且大都是基于二支劃分的,如何在刻畫數(shù)據(jù)對(duì)象與類簇之間的不確定性關(guān)系的基礎(chǔ)上從多個(gè)角度確定最優(yōu)類簇?cái)?shù)依舊是一個(gè)問題。因此,論文展開了基于多有效性指標(biāo)的類簇?cái)?shù)自動(dòng)確定方法的研究工作。為了能夠從多個(gè)角度探索數(shù)據(jù)集的類簇?cái)?shù)目,論文提出了基于加權(quán)內(nèi)部有效性指標(biāo)的類簇?cái)?shù)自動(dòng)確定方法。首先,基于三支決策思想,論文對(duì)k-means算法做三支改進(jìn),迭代運(yùn)行三支k-means算法,生成不同k值的三支聚類結(jié)果。三支k-means算法的每個(gè)類由核心域、邊緣域和瑣碎域三個(gè)域表示。然后,基于已有的多個(gè)有效性指標(biāo)構(gòu)建多指標(biāo)評(píng)價(jià)體系,從不同角度評(píng)估不同k值的聚類結(jié)果的質(zhì)量。最后,根據(jù)制定的尋優(yōu)策略選取最優(yōu)類簇?cái)?shù)。相對(duì)于融合前的單一有效性指標(biāo),論文驗(yàn)證了該算法在Vowel、Waveform、Wine等多個(gè)UCI真實(shí)數(shù)據(jù)集上的有效性。為了進(jìn)一步提高算法性能,盡可能地利用現(xiàn)有的有效性指標(biāo),論文借鑒聚類集成研究中的中心劃分法的思想,將每一種k值... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 三支聚類
        1.2.2 自動(dòng)聚類方法
    1.3 論文主要工作
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)基礎(chǔ)理論
    2.1 三支決策聚類
        2.1.1 三支決策
        2.1.2 三支聚類
    2.2 聚類算法
        2.2.1 k-means算法
        2.2.2 k-medoids算法
    2.3 聚類有效性指標(biāo)
        2.3.1 內(nèi)部有效性指標(biāo)
        2.3.2 外部有效性指標(biāo)
    2.4 基于中心劃分的一致性函數(shù)
    2.5 本章小結(jié)
第3章 基于加權(quán)內(nèi)部有效性指標(biāo)的類簇?cái)?shù)自動(dòng)確定方法
    3.1 模型框架
    3.2 基于三支決策的k-means算法
    3.3 評(píng)價(jià)體系
    3.4 加權(quán)方法
    3.5 最優(yōu)類簇?cái)?shù)選擇
    3.6 實(shí)驗(yàn)分析
    3.7 本章小結(jié)
第4章 基于兩類有效性指標(biāo)的類簇?cái)?shù)自動(dòng)確定方法
    4.1 模型框架
    4.2 基于三支決策的k-medoids算法
    4.3 評(píng)價(jià)體系
        4.3.1 構(gòu)建原理
        4.3.2 內(nèi)部有效性指標(biāo)
        4.3.3 外部有效性指標(biāo)
    4.4 最優(yōu)類簇?cái)?shù)選擇策略
        4.4.1 評(píng)價(jià)結(jié)果排序
        4.4.2 最優(yōu)類簇?cái)?shù)選擇
    4.5 實(shí)驗(yàn)分析
        4.5.1 本文兩種算法對(duì)比實(shí)驗(yàn)
        4.5.2 本章算法與其他方法的對(duì)比實(shí)驗(yàn)
    4.6 葡萄酒品質(zhì)鑒定分析討論
        4.6.1 問題描述
        4.6.2 鑒定過程
    4.7 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]負(fù)載敏感的云任務(wù)三支聚類評(píng)分調(diào)度研究[J]. 吳俊偉,姜春茂.  智能系統(tǒng)學(xué)報(bào). 2019(02)
[2]基于Spark的三支聚類集成方法[J]. 于洪,陳云.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2018(01)
[3]一種基于投票的三支決策聚類集成方法[J]. 胡凌超,于洪.  小型微型計(jì)算機(jī)系統(tǒng). 2016(08)
[4]基于k-means的自動(dòng)三支決策聚類方法[J]. 于洪,毛傳凱.  計(jì)算機(jī)應(yīng)用. 2016(08)
[5]基于決策加權(quán)的聚類集成算法[J]. 黃棟,王昌棟,賴劍煌,梁云,邊山,陳羽.  智能系統(tǒng)學(xué)報(bào). 2016(03)
[6]聚類有效性研究綜述[J]. 周開樂,楊善林,丁帥,羅賀.  系統(tǒng)工程理論與實(shí)踐. 2014(09)
[7]大數(shù)據(jù)時(shí)代的機(jī)遇與挑戰(zhàn)[J]. 鄔賀銓.  求是. 2013(04)
[8]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報(bào). 2008(01)

碩士論文
[1]基于k-means的自動(dòng)三支決策聚類方法[D]. 毛傳凱.重慶郵電大學(xué) 2016
[2]面向高維數(shù)據(jù)的動(dòng)態(tài)隨機(jī)投影三支聚類方法研究[D]. 張海波.重慶郵電大學(xué) 2017



本文編號(hào)：3469083