隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展及其應(yīng)用的深入,聚類分析成為了一種數(shù)據(jù)劃分或分組處理的重要手段和方法.極大熵聚類算法作為一種模糊聚類算法,自推出以來,它一直在迅速發(fā)展.進(jìn)一步地,在改進(jìn)后的極大熵聚類算法基礎(chǔ)上,引入基于成對(duì)約束的半監(jiān)督聚類技術(shù),提高聚類的準(zhǔn)確度.對(duì)基于成對(duì)約束的半監(jiān)督聚類技術(shù)的研究和改進(jìn),可以有效避免數(shù)據(jù)信息與資源的浪費(fèi),具有重要的研究意義和應(yīng)用價(jià)值.現(xiàn)有成對(duì)約束半監(jiān)督聚類算法(Cross Entropy semi-Supervised Clustering,CE-sSC)克服了極大熵聚類(Maximum Entropy Clustering,MEC)算法不能利用樣本成對(duì)約束信息的缺點(diǎn),但CE-sSC算法的懲罰項(xiàng)中各熵項(xiàng)之間相互干擾,不利于懲罰項(xiàng)系數(shù)的選擇.為克服此問題,本文基于KL散度(Kullback-Leibler Divergence)提出了一類新的基于約束信息的半監(jiān)督聚類算法(KL divergence semi-Supervised Clustering,KL-sSC),并把表示成對(duì)約束樣本信息(外部信息)的相對(duì)熵項(xiàng)推廣到了功效散度(Power Divergence...

【文章頁(yè)數(shù)】：47 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究意義
    1.4 本文主要內(nèi)容和組織結(jié)構(gòu)
第二章 模糊聚類、熵與散度的基本概念
    2.1 模糊聚類
    2.2 熵與散度
    2.3 經(jīng)典的基于熵的模糊聚類算法
        2.3.1 極大熵聚類算法
        2.3.2 基于KL散度規(guī)則化的FCM聚類算法
    2.4 本章小結(jié)
第三章 半監(jiān)督MEC算法研究
    3.1 半監(jiān)督學(xué)習(xí)概念
        3.1.1 基于約束的半監(jiān)督聚類算法
        3.1.2 基于類標(biāo)簽的半監(jiān)督聚類算法
    3.2 基于成對(duì)約束的交叉熵半監(jiān)督聚類算法
    3.3 本章小結(jié)
第四章 基于成對(duì)約束與散度的半監(jiān)督聚類算法
    4.1 基于成對(duì)約束的KL散度的半監(jiān)督聚類算法
        4.1.1 目標(biāo)函數(shù)
        4.1.2 算法流程
    4.2 基于成對(duì)約束的功效散度半監(jiān)督聚類算法
        4.2.1 目標(biāo)函數(shù)
        4.2.2 算法流程
    4.3 算法復(fù)雜度分析
    4.4 實(shí)驗(yàn)設(shè)置與結(jié)果分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)準(zhǔn)則
        4.4.2 實(shí)驗(yàn)設(shè)計(jì)
        4.4.3 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3804124