在大數(shù)據(jù)時(shí)代,存儲(chǔ)了大量可用數(shù)據(jù)進(jìn)行分析以獲得有用的信息,但是數(shù)據(jù)比較混亂,研究人員需要對(duì)某些數(shù)據(jù)進(jìn)行分類和分區(qū)才能得到相似的數(shù)據(jù)。這一處理過(guò)程被稱為聚類。聚類就是按照某個(gè)特定標(biāo)準(zhǔn)將數(shù)據(jù)歸類,由此形成的數(shù)據(jù)集被稱為簇或者類。聚類的目標(biāo)是使不同類的數(shù)據(jù)之間差異盡可能大,而同一個(gè)類中的數(shù)據(jù)差異盡可能小。在一般情況下,需要通過(guò)某種度量方式來(lái)計(jì)算不同數(shù)據(jù)之間的相似程度,比如歐式距離,馬氏距離以及余弦距離等。很多領(lǐng)域中都會(huì)涉及到聚類問(wèn)題。從目前的種種狀況可以看出,隨著社會(huì)的不同領(lǐng)域的信息化程度的不斷深入和智能化技術(shù)的大規(guī)模運(yùn)用,聚類分析作為一種可靠的分析技術(shù)在在數(shù)據(jù)挖掘,機(jī)器學(xué)習(xí)等多個(gè)領(lǐng)域都得到了廣泛的使用。各種聚類方法也被不斷提出,這些方法各有優(yōu)缺點(diǎn)并被應(yīng)用于不同類型的數(shù)據(jù)�，F(xiàn)階段,聚類方法的對(duì)比分析是業(yè)內(nèi)的一個(gè)重要研究課題,在此基礎(chǔ)上可以明確得到其相應(yīng)的聚類效果。其中,對(duì)于模糊聚類算法的研究就是一個(gè)重要的分支。以目前已有的模糊聚類算法的狀況來(lái)看,由于種種因素,聚類的效果并不盡如人意。比如說(shuō),對(duì)于聚類中心的選擇通常的做法是隨機(jī)的方式進(jìn)行初始化,這樣做的結(jié)果就是聚類的結(jié)果非常不穩(wěn)定,不確定。另外... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 聚類分析的背景與含義
    1.2 聚類的框架
    1.3 聚類分析的流程
        1.3.1 特征的選擇或變換
        1.3.2 聚類算法的選擇
        1.3.3 聚類結(jié)果的評(píng)價(jià)
    1.4 聚類算法的現(xiàn)狀
    1.5 問(wèn)題的提出
    1.6 本文的工作
    1.7 本文的組織結(jié)構(gòu)
第二章 模糊聚類概述
    2.1 模糊聚類的發(fā)展
    2.2 主要模糊聚類算法介紹
        2.2.1 FCM算法
        2.2.2 KFCM算法
        2.2.3 V-FCM算法
        2.2.4 RLM算法
        2.2.5 EWFCM算法
        2.2.6 DVPFCM算法
        2.2.7 算法存在的問(wèn)題
    2.3 本章小結(jié)
第三章 視點(diǎn)驅(qū)動(dòng)的特征加權(quán)模糊聚類算法
    3.1 KHDCCI聚類中心初始化方法
    3.2 DVWEKFCM算法
    3.3 .實(shí)驗(yàn)
        3.3.1 在人工數(shù)據(jù)集上的實(shí)驗(yàn)
        3.3.2 在UCI數(shù)據(jù)集上的實(shí)驗(yàn)
        3.3.3 算法的時(shí)間復(fù)雜度
        3.3.4 算法的迭代次數(shù)和運(yùn)行時(shí)間
        3.3.5 DVWEKFCM算法用于人臉聚類
    3.4 討論
    3.5 本章小結(jié)
第四章 多視圖加權(quán)核模糊聚類算法
    4.1 多視圖聚類問(wèn)題背景
    4.2 非負(fù)矩陣分解(NMF)
    4.3 從多視圖中提取共享隱藏信息
    4.4 MV-CO-KFCM算法
    4.5 實(shí)驗(yàn)
    4.6 本章小結(jié)
第五章 總結(jié)及展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3196935