目前,高維數(shù)據(jù)在我們的日常生活隨處可見,如何從高維數(shù)據(jù)中獲取我們所需要的信息是當(dāng)前研究的一個(gè)熱點(diǎn)。對于高維數(shù)據(jù)的聚類問題,可以通過降維后使用傳統(tǒng)的聚類算法,也可使用子空間聚類算法進(jìn)行聚類,亦可使用新的距離度量方式來計(jì)算各樣本點(diǎn)之間的距離從而來衡量相似性。本文的工作主要包括以下兩個(gè)方面。（1）合適的距離度量函數(shù)對于聚類結(jié)果有重要的影響。針對大規(guī)模高維數(shù)據(jù)集,使用增量式聚類算法進(jìn)行距離度量的選擇分析。SpFCM算法是將大規(guī)模數(shù)據(jù)集分成小樣本進(jìn)行增量分批聚類,可在有限的計(jì)算機(jī)內(nèi)存中獲得較好的聚類結(jié)果。在傳統(tǒng)的SpFCM算法的基礎(chǔ)上,使用不同的距離度量函數(shù)來衡量樣本之間的相似性,以得出不同的距離度量對SpFCM算法的影響。在不同的大規(guī)模高維數(shù)據(jù)集中,使用歐式距離、余弦距離、相關(guān)系數(shù)距離和擴(kuò)展的杰卡德距離來計(jì)算距離。實(shí)驗(yàn)結(jié)果表明,后三個(gè)距離度量相對于歐式距離可以很大程度提高聚類效果,其中相關(guān)系數(shù)距離可以得到較好的結(jié)果,余弦距離次之,擴(kuò)展的杰卡德距離效果比較一般。（2）針對含有高斯噪聲的高維數(shù)據(jù)的聚類問題,提出一種使用新的距離度量方式的增量式聚類算法（Anti-noise fuzzy（c+p）-m... 

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外相關(guān)研究
    1.3 本文主要研究內(nèi)容
第二章 聚類的基本理論
    2.1 聚類理論基礎(chǔ)
        2.1.1 聚類概念
        2.1.2 聚類定義
    2.2 聚類方法
        2.2.1 五類聚類算法
            2.2.1.1 基于劃分的聚類算法
            2.2.1.2 基于層次的聚類算法
            2.2.1.3 基于密度的聚類算法
            2.2.1.4 基于網(wǎng)格的聚類算法
            2.2.1.5 基于模型的聚類算法
        2.2.2 模糊C均值聚類算法
    2.3 距離度量
        2.3.1 距離度量方法
        2.3.2 相似性度量
    2.4 高維數(shù)據(jù)的聚類問題
        2.4.1 對高維數(shù)據(jù)進(jìn)行特征約簡
        2.4.2 對高維數(shù)據(jù)相似性度量進(jìn)行改進(jìn)
        2.4.3 采用子空間聚類技術(shù)
    2.5 總結(jié)
第三章 高維數(shù)據(jù)的增量式聚類算法的距離度量選擇研究
    3.1 引言
    3.2 實(shí)驗(yàn)算法
        3.2.1 加權(quán)模糊C均值算法
        3.2.2 單程模糊C均值算法
    3.3 不同的距離度量
        3.3.1 基于余弦距離的SpFCM算法
    3.4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
        3.4.1 算法評價(jià)指標(biāo)
        3.4.2 實(shí)驗(yàn)結(jié)果及分析
    3.5 結(jié)束語
第四章 具有抗噪性能適用高維數(shù)據(jù)的增量式聚類算法
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 FCPM算法
    4.3 具有抗噪性能的增量式模糊聚類算法
        4.3.1 ANFCM(c+p)算法
        4.3.2 算法實(shí)現(xiàn)
    4.4 實(shí)驗(yàn)研究
        4.4.1 評價(jià)指標(biāo)
        4.4.2 實(shí)驗(yàn)結(jié)果
            4.4.2.1 實(shí)驗(yàn)環(huán)境
            4.4.2.2 實(shí)驗(yàn)數(shù)據(jù)集
            4.4.2.3 實(shí)驗(yàn)參數(shù)設(shè)置
            4.4.2.4 算法性能比較
    4.5 本章小結(jié)
總結(jié)與展望
    總結(jié)
    研究展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]面向混合屬性數(shù)據(jù)集的改進(jìn)半監(jiān)督FCM聚類方法[J]. 李曉慶,唐昊,司加勝,苗剛中.  自動(dòng)化學(xué)報(bào). 2018(12)
[2]基于余弦距離選取初始簇中心的文本聚類研究[J]. 王彬宇,劉文芬,胡學(xué)先,魏江宏.  計(jì)算機(jī)工程與應(yīng)用. 2018(10)
[3]基于密度峰值優(yōu)化的模糊C均值聚類算法[J]. 劉滄生,許青林.  計(jì)算機(jī)工程與應(yīng)用. 2018(14)
[4]一種基于決策粗糙集的模糊C均值聚類數(shù)的確定方法[J]. 石文峰,商琳.  計(jì)算機(jī)科學(xué). 2017(09)
[5]基于融合歐氏距離與Kendall Tau距離度量的譜聚類算法（英文）[J]. 光俊葉,邵偉,孫亮,張道強(qiáng).  控制理論與應(yīng)用. 2017(06)
[6]基于混合距離學(xué)習(xí)的魯棒的模糊C均值聚類算法[J]. 卞則康,王士同.  智能系統(tǒng)學(xué)報(bào). 2017(04)
[7]基于貝葉斯距離的K-modes聚類算法[J]. 趙亮,劉建輝,張昭昭.  計(jì)算機(jī)工程與科學(xué). 2017(01)
[8]基于密度和混合距離度量方法的混合屬性數(shù)據(jù)聚類研究[J]. 陳晉音,何輝豪.  控制理論與應(yīng)用. 2015(08)
[9]一種非噪聲敏感性的模糊C均值聚類算法[J]. 陳加順,皮德常.  小型微型計(jì)算機(jī)系統(tǒng). 2014(06)
[10]一種快速的廣義噪聲聚類算法[J]. 武斌,武小紅,賈紅雯.  計(jì)算機(jī)工程與應(yīng)用. 2013(13)

博士論文
[1]數(shù)據(jù)挖掘中聚類若干問題研究[D]. 趙恒.西安電子科技大學(xué) 2005
[2]高維數(shù)據(jù)挖掘中若干關(guān)鍵問題的研究[D]. 楊風(fēng)召.復(fù)旦大學(xué) 2003

碩士論文
[1]高維數(shù)據(jù)聚類若干關(guān)鍵問題研究[D]. 謝明霞.解放軍信息工程大學(xué) 2011



本文編號：3663612