聚類作為一種無監(jiān)督學習方法已廣泛應用于模式識別、人工智能、數據挖掘、生物醫(yī)學等領域。一般地,聚類是依據某種準則將樣本點劃分為不同的簇,希望經過劃分相似的點在同一簇中,相異的點在不同簇中。至今,依據不同的準則己提出了許多聚類算法,雖然這些算法在一定程度上可以對數據進行劃分,但仍然存在以下問題:(1)信息技術的發(fā)展增加了數據的規(guī)模及復雜度,數據的表征維度越來越高,處理信息冗余、幾何結構復雜的高維數據是聚類分析亟待解決的問題;(2)傳統(tǒng)的聚類方法將二維(2D)數據預處理為一維(2D)向量的過程破壞了其原有空間結構,并且增加了計算成本。基于此,本論文重點探索適用于二維數據的聚類分析方法,對基于降維的聚類算法展開研究,提出了降維與聚類一體化特征表示方法。具體研究成果如下:1.本文提出二維稀疏模糊均值聚類(2DSFKM)算法。聚類算法在處理高維數據時需要對數據預先進行降維,但是傳統(tǒng)方法往往將降維過程和聚類過程獨立進行,使得降維后的特征難以進行精準的聚類,本文將降維過程和聚類過程融合到統(tǒng)一算法框架中,以尋找更好的子空間進行特征表示,并且進行動態(tài)聯合優(yōu)化。此外該方法分析了傳統(tǒng)的模糊聚類方法直接將二維數...

【文章頁數】：82 頁

【學位級別】：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 國內外研究現狀
    1.3 主要研究內容與章節(jié)安排
第二章 理論基礎
    2.1 引言
    2.2 聚類算法
        2.2.1 模糊聚類算法
        2.2.2 譜聚類算法
    2.3 維度約減算法
        2.3.1 一維無監(jiān)督維度約減算法
        2.3.2 二維無監(jiān)督維度約減算法
    2.4 本章小結
第三章 基于稀疏約束的二維模糊聚類算法
    3.1 引言
    3.2 基于稀疏表示的二維模糊聚類算法
        3.2.1 模糊C均值聚類算法(FCM)
        3.2.2 無監(jiān)督二維降維方法
        3.2.3 基于稀疏表示的二維模糊聚類算法
    3.3 算法優(yōu)化
        3.3.1 算法優(yōu)化
        3.3.2 參數討論
        3.3.3 算法收斂性分析
    3.4 實驗結果與分析
        3.4.1 實驗數據集及實驗設置
        3.4.2 實驗結果分析
    3.5 本章小結
第四章 基于稀疏約束的二維譜聚類算法
    4.1 引言
    4.2 基于稀疏表示的二維譜聚類算法研究
    4.3 算法優(yōu)化
        4.3.1 算法優(yōu)化
        4.3.2 算法收斂性分析
    4.4 實驗結果與分析
        4.4.1 實驗數據集及實驗設置
        4.4.2 實驗結果分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
作者簡介



本文編號：3949332