近些年,云計算、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的快速發(fā)展,推動了新型點對點分布式網(wǎng)絡(luò)的應(yīng)用,點對點分布式網(wǎng)絡(luò)數(shù)據(jù)中隱含大量對預(yù)測或是決策有益的信息。本論文的研究目的是實現(xiàn)一種能夠?qū)c對點分布式網(wǎng)絡(luò)中數(shù)據(jù)進行有效分析的聚類算法。論文設(shè)計實現(xiàn)了四種基于隨機特征的集中式核模糊聚類算法,一種基于隨機特征的多核分布式協(xié)同模糊聚類算法。（1）首先,本文設(shè)計了一種基于隨機特征的單核模糊聚類算法,該算法使用隨機特征方法近似核函數(shù),在隨機特征空間中進行模糊聚類。實驗測試中,該算法得到了與傳統(tǒng)核聚類算法相近的聚類結(jié)果,但是計算復(fù)雜度遠遠低于傳統(tǒng)核聚類算法。此外,在此部分測試中,本文比較了兩種不同的隨機特征方法,測試結(jié)果說明準(zhǔn)蒙特卡洛特征可以比隨機傅里葉特征更好的近似核函數(shù)。（2）考慮到隨機特征空間中的不同維度對聚類結(jié)果的重要性可能不同,本文設(shè)計了基于隨機特征的單核屬性加權(quán)模糊聚類算法。該算法將原始數(shù)據(jù)映射到隨機特征空間后,為隨機特征空間中的每個維度賦予權(quán)重,并使用最大熵正則化方法在聚類過程中自動的優(yōu)化權(quán)重分布。實驗測試的結(jié)果說明,該算法可以有效的發(fā)現(xiàn)隨機特征空間中的重要維度,為重要維度賦予較大的權(quán)重,使其在類的形成... 

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 引言
    1.1 本文的理論意義和實用價值
        1.1.1 理論意義
        1.1.2 實用價值
    1.2 研究方法
        1.2.1 理論分析
        1.2.2 前人工作的不足
        1.2.3 研究方案與研究步驟
        1.2.4 實驗設(shè)計
            1.2.4.1 測試數(shù)據(jù)集
            1.2.4.2 聚類結(jié)果評價指標(biāo)
    1.3 研究成果
第二章 相關(guān)算法介紹
    2.1 基于劃分的聚類算法介紹
        2.1.1 硬聚類算法與模糊聚類算法
            2.1.1.1 硬聚類算法
            2.1.1.2 模糊聚類算法
            2.1.1.3 K-means算法與FCM算法的比較
        2.1.2 基于原始數(shù)據(jù)空間的聚類算法與基于核空間的聚類算法
            2.1.2.1 基于原始數(shù)據(jù)空間的聚類算法
            2.1.2.2 核聚類算法
            2.1.2.3 FCM算法與KFCM-k算法的對比
        2.1.3 集中式聚類算法與分布式聚類算法
            2.1.3.1 集中式聚類算法
            2.1.3.2 分布式聚類facilitator-worker結(jié)構(gòu)
            2.1.3.3 分布式聚類P2P結(jié)構(gòu)
    2.2 隨機特征方法
        2.2.1 隨機傅里葉特征RFF
        2.2.2 準(zhǔn)蒙特卡洛特征QMCF
        2.2.3 隨機特征方法與傳統(tǒng)核方法的比較
    2.3 最大熵正則化方法
        2.3.1 熵的定義與性質(zhì)
        2.3.2 基于最大熵方法的屬性加權(quán)模糊聚類EWFCM
        2.3.3 基于最大熵方法的多核模糊聚類MEMKFCM-k
第三章 基于隨機特征的單核模糊聚類算法研究
    3.1 基于隨機特征的單核模糊聚類算法RF-FCM
        3.1.1 算法的原理
        3.1.2 算法的目標(biāo)函數(shù)及更新公式
        3.1.3 算法的流程
        3.1.4 算法時間復(fù)雜度分析
        3.1.5 算法測試
        3.1.6 小結(jié)
    3.2 基于隨機特征的單核屬性加權(quán)模糊聚類算法RF-EWFCM
        3.2.1 算法原理
        3.2.2 算法目標(biāo)函數(shù)及更新公式
        3.2.3 算法流程
        3.2.4 算法時間復(fù)雜度分析
        3.2.5 算法測試
        3.2.6 小結(jié)
第四章 基于隨機特征的多核模糊聚類算法
    4.1 基于隨機特征的多核核加權(quán)模糊聚類算法MK-FCM
        4.1.1 算法原理
        4.1.2 算法目標(biāo)函數(shù)及更新公式
        4.1.3 算法流程
        4.1.4 算法時間復(fù)雜度分析
        4.1.5 算法測試
        4.1.6 小結(jié)
    4.2 基于隨機特征的多核屬性加權(quán)模糊聚類算法RF-MKFCM
        4.2.1 算法原理
        4.2.2 算法目標(biāo)函數(shù)及更新公式
        4.2.3 算法流程
        4.2.4 算法時間復(fù)雜度分析
        4.2.5 算法測試
        4.2.6 小結(jié)
第五章 基于隨機特征的多核分布式協(xié)同模糊聚類算法RF-CDMKFCM
    5.1 算法原理
    5.2 算法目標(biāo)函數(shù)及更新公式
    5.3 算法流程
    5.4 一致性證明
    5.5 算法時間復(fù)雜度分析
    5.6 算法測試
    5.7 小結(jié)
第六章 結(jié)論與展望
參考文獻
致謝
附錄



本文編號：3670319