聚類分析是數(shù)據(jù)挖掘的主流技術(shù)之一,它在人工智能領(lǐng)域有著廣泛應(yīng)用。簇的定義和聚類方法的雙重多樣性致使數(shù)據(jù)科學(xué)發(fā)展過程中聚類算法擁有“數(shù)量龐大”“類型多樣”等特點(diǎn)。一般而言,能將無標(biāo)簽的樣本點(diǎn)聚為若干個(gè)簇的算法都可以稱為聚類算法,人們常根據(jù)這些算法的基本思想或基本假設(shè)將其分為幾個(gè)常見的類型:分割聚類法、層次聚類法、密度聚類法、網(wǎng)格聚類法、模型聚類法等。該文提出了一類基于局部中心量度的聚類算法,其創(chuàng)造性成果主要體現(xiàn)在:1)首創(chuàng)性地提出了局部中心量度的概念。局部中心量度是衡量空間中任意點(diǎn)的局部中心程度的量,聚類過程中區(qū)分中心區(qū)域的點(diǎn)和邊緣區(qū)域的點(diǎn)有賴于正確估計(jì)出樣本點(diǎn)的局部中心程度。該文認(rèn)為,密度聚類算法中選用的樣本點(diǎn)密度起著局部中心量度的作用:密度高于預(yù)先設(shè)定的閾值的樣本點(diǎn)被劃分為核心區(qū)域的點(diǎn),而密度低于閾值的樣本點(diǎn)被劃分為邊緣區(qū)域的點(diǎn),它們之間相互連接形成最終的聚類結(jié)果。經(jīng)驗(yàn)上,樣本點(diǎn)密度較大的區(qū)域通常是簇中心區(qū)域,而樣本點(diǎn)密度較小的區(qū)域通常是簇邊緣區(qū)域。因而,有著完善的數(shù)學(xué)理論基礎(chǔ)的樣本點(diǎn)密度最先成為局部中心量度被廣泛應(yīng)用。然而,樣本點(diǎn)密度作為局部中心量度存在著缺陷:密度閾值難以先于經(jīng)驗(yàn)給出,這將導(dǎo)致以樣本點(diǎn)密度為局部中心量度的聚類算法對(duì)參數(shù)敏感;不同的簇可能有著相差較大的最佳閾值,這將導(dǎo)致以樣本點(diǎn)密度為局部中心量度的聚類算法難以處理不平衡問題。因此,人們需要設(shè)計(jì)新的局部中心量度。2)設(shè)計(jì)了多個(gè)局部中心量度。局部中心量度的準(zhǔn)確性直接影響到聚類結(jié)果的正確性,一個(gè)良好的局部中心量度除了能夠正確反映樣本點(diǎn)的真實(shí)局部中心程度外還需要考慮:局部中心量度的穩(wěn)定性,即不論應(yīng)用于何種分布的數(shù)據(jù),區(qū)分中心區(qū)域和邊緣區(qū)域的樣本點(diǎn)的閾值相對(duì)穩(wěn)定,易于算法參數(shù)的選取,降低算法對(duì)參數(shù)的敏感度;局部中心量度的健壯性,即計(jì)算結(jié)果不易受數(shù)據(jù)分布的不平衡性影響。該文分別從mean shift和局部引力模型出發(fā),設(shè)計(jì)了穩(wěn)定性和健壯性更強(qiáng)的局部中心量度。3)提出了局部引力模型和新的聚類算法�；诰植恳δＰ�,該文借助不同的局部中心量度間的多樣性,同時(shí)使用多個(gè)局部中心量度,提出了LGC算法和CLA算法。新提出的聚類算法具有易于調(diào)參,結(jié)果準(zhǔn)確等特點(diǎn)。4)設(shè)計(jì)了適用于多性能指標(biāo)體系下的非參數(shù)檢驗(yàn)方法。衡量聚類算法性能的指標(biāo)較多,常見的有RI、ARI、NMI等。多種指標(biāo)之間的數(shù)值相互直接比較是沒有意義的,如就算法甲的RI值和算法乙的NMI值進(jìn)行直接比較是沒有意義的。該文采用秩轉(zhuǎn)化的方法,提出了三種不同的計(jì)算秩的方法,將不同的性能指標(biāo)對(duì)應(yīng)的具體數(shù)值轉(zhuǎn)化為秩值,通過對(duì)秩值進(jìn)行統(tǒng)計(jì)檢驗(yàn)完成多性能指標(biāo)的融合。
【學(xué)位單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮振華;錢雪忠;趙娜娜;;Greedy DBSCAN:一種針對(duì)多密度聚類的DBSCAN改進(jìn)算法[J];計(jì)算機(jī)應(yīng)用研究;2016年09期

2 ;A generalized mean shift tracking algorithm[J];Science China(Information Sciences);2011年11期

3 王爽;夏玉;焦李成;;基于均值漂移的自適應(yīng)紋理圖像分割方法[J];軟件學(xué)報(bào);2010年06期

4 嚴(yán)太生;張彥霞;趙永恒;李冀;;基于自動(dòng)聚類算法(AutoClass)的恒星/星系分類[J];中國科學(xué)(G輯:物理學(xué) 力學(xué) 天文學(xué));2009年12期

5 趙玉艷;郭景峰;鄭麗珍;李晶;;一種改進(jìn)的BIRCH分層聚類算法[J];計(jì)算機(jī)科學(xué);2008年03期

6 蔣盛益,李慶華;一種基于引力的聚類方法[J];計(jì)算機(jī)應(yīng)用;2005年02期

7 蔡穎琨,謝昆青,馬修軍;屏蔽了輸入?yún)?shù)敏感性的DBSCAN改進(jìn)算法[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

8 許少華,何新貴,李盼池;自組織過程神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)研究與發(fā)展;2003年11期

9 王莉,王正歐;TGSOM:一種用于數(shù)據(jù)聚類的動(dòng)態(tài)自組織映射神經(jīng)網(wǎng)絡(luò)[J];電子與信息學(xué)報(bào);2003年03期

10 吳郢,閻平凡;結(jié)構(gòu)自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)的研究[J];電子學(xué)報(bào);1999年07期

本文編號(hào)：2808987