模塊度可用于檢測社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)的強(qiáng)度,取值越大表明劃分后同一社區(qū)內(nèi)部關(guān)系越緊密,不同社區(qū)之間的關(guān)系越疏離,該特點(diǎn)與聚類的目標(biāo)不謀而合。因此,近年來愈來愈多的聚類算法基于模塊度進(jìn)行設(shè)計,并取得了較好的聚類效果。然而,這些算法多屬于硬聚類的范疇,受限于隸屬度只能取0和1二值,聚類的準(zhǔn)確率仍可進(jìn)一步提高。此外,聚類分析過程結(jié)束后,聚類有效性檢驗(yàn)是一個關(guān)鍵環(huán)節(jié),常以有效性指標(biāo)的取值衡量聚類算法性能以及準(zhǔn)確率方面的優(yōu)劣,已提出的有效性指標(biāo)或判斷結(jié)果不夠準(zhǔn)確,或魯棒性較差。針對以上問題,本文基于模塊度對模糊聚類算法展開研究,研究內(nèi)容包括:(1)為了提高聚類算法的準(zhǔn)確度,提出一種基于模塊度最大化的模糊聯(lián)合聚類算法MMFCC(Modularity Maximization based Fuzzy Co-Clustering)。該算法將模糊聚類思想應(yīng)用于硬聯(lián)合聚類算法CoClus(Co-Clustering)中,交替迭代計算對象和屬性兩個模糊隸屬度矩陣,直至模塊度值增大到穩(wěn)定狀態(tài),產(chǎn)生最優(yōu)的聚類結(jié)果,并以對角矩陣塊的方式顯示結(jié)果簇。本文使用稀疏真實(shí)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),從實(shí)驗(yàn)結(jié)果可看出,與其他對角聯(lián)合聚類算法和...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 使用距離度量的模糊聚類方法
        1.2.2 模塊度度量方法
        1.2.3 模糊聚類有效性驗(yàn)證方法
    1.3 論文的主要工作和創(chuàng)新點(diǎn)
    1.4 論文的組織結(jié)構(gòu)
2 相關(guān)工作
    2.1 FCM算法
    2.2 模塊度
        2.2.1 用于圖聚類的模塊度
        2.2.2 用于文本聚類的模塊度
    2.3 Co Clus算法
    2.4 FCCM算法
    2.5 二分模塊度
    2.6 WGLI指標(biāo)
    2.7 本章小結(jié)
3 基于模塊度最大化的模糊聯(lián)合聚類算法
    3.1 引言
    3.2 基于模塊度最大化的模糊聯(lián)合聚類算法
    3.3 實(shí)驗(yàn)與分析
        3.3.1 數(shù)據(jù)集介紹
        3.3.2 評價標(biāo)準(zhǔn)
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
4 基于二分模塊度的模糊聚類有效性指標(biāo)
    4.1 引言
    4.2 模糊聚類有效性指標(biāo)CSBM
        4.2.1 類內(nèi)緊致性
        4.2.2 類間分離性
        4.2.3 CSBM指標(biāo)
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)準(zhǔn)備
        4.3.2 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
作者簡介
學(xué)位論文數(shù)據(jù)集



本文編號：3739368