人工智能理論和技術(shù)飛速發(fā)展,其中最重要的領(lǐng)域之一,數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí),正在不斷地影響和改變?nèi)藗兊墓ぷ骱蜕�。迄今為�?機(jī)器學(xué)習(xí)已被應(yīng)用到很多的領(lǐng)域,例如電商的CRT預(yù)估,股票的量化交易,文本或聲音信息的處理,圖像識(shí)別與自動(dòng)駕駛,個(gè)性化推薦等等。這些技術(shù)無(wú)疑會(huì)使我們的生活更加便捷。在眾多應(yīng)用領(lǐng)域中,聚類分析是一類重要的應(yīng)用技術(shù)。2014年出現(xiàn)的密度峰值點(diǎn)快速搜索聚類算法(DPC)是一種新穎的聚類算法,它利用樣本的密度和不同樣本間的距離實(shí)現(xiàn)聚類,整個(gè)過程簡(jiǎn)單高效。但是,傳統(tǒng)DPC算法在識(shí)別不同密度類簇、發(fā)現(xiàn)任意形狀的類簇和噪聲去除方面存在不足。本文結(jié)合K近鄰法的思想,針對(duì)這兩個(gè)不足,提出了兩種DPC算法的改進(jìn)算法。論文的主要工作如下:(1)針對(duì)傳統(tǒng)DPC算法無(wú)法有效識(shí)別不同密度類簇的不足,利用K近鄰圖,提出一種基于K近鄰圖的密度峰值點(diǎn)快速搜索聚類算法(KG-DPC)。改進(jìn)算法定義了一種新的密度估計(jì)函數(shù),計(jì)算樣本的K近鄰樣本集合與K近鄰距離集合,通過給定樣本的K近鄰距離估計(jì)樣本密度。再計(jì)算樣本距離,使用決策圖選擇聚類中心,根據(jù)改進(jìn)的樣本分配法則進(jìn)行聚類。最后,根據(jù)K近鄰集合完成二次聚類。實(shí)驗(yàn)結(jié)果表明,KG-DPC算法相較于DPC算法在區(qū)分不同密度類簇方面有明顯提升,在對(duì)人臉數(shù)據(jù)集聚類的實(shí)驗(yàn)中表示其準(zhǔn)確率優(yōu)于DPC算法。(2)針對(duì)DPC算法識(shí)別噪聲數(shù)據(jù)和難以發(fā)現(xiàn)任意形狀類簇的不足,結(jié)合K近鄰方法和DBSCAN算法,提出基于噪聲去除的密度峰值點(diǎn)快速搜索聚類算法(NR-DPC)。NR-DCP算法使用K近鄰距離集合估計(jì)樣本噪聲指標(biāo),對(duì)數(shù)據(jù)集進(jìn)行分層,選擇密度較高樣本。再使用噪聲指標(biāo)估計(jì)樣本密度,計(jì)算樣本距離,使用決策圖選擇聚類中心。最后使用DBSCAN算法策略從密度最高的聚類中心為起點(diǎn)擴(kuò)張類簇。實(shí)驗(yàn)結(jié)果表明,NR-DPC算法在大多數(shù)的指標(biāo)中都優(yōu)于DPC算法。對(duì)文本試題數(shù)據(jù)的聚類結(jié)果顯示,NR-DPC算法的準(zhǔn)確率提升明顯,具有實(shí)際應(yīng)用意義。
【學(xué)位單位】：山東科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP311.13;TP18
【部分圖文】：

析％通過對(duì)用戶的搜索記錄和學(xué)習(xí)反饋，可以提供個(gè)性化推薦［５］，分析學(xué)生對(duì)??知識(shí)點(diǎn)的掌握情況，做到查漏補(bǔ)缺舉一反三。圖Ｕ顯示了?ＡＩ教育的主要功能??圖。從圖１．１中可以看出，無(wú)論是個(gè)性化推薦，還是用戶行為分析或者其它功??能，歸根結(jié)底是對(duì)數(shù)據(jù)的分類聚類。通過對(duì)目標(biāo)標(biāo)簽的分類或聚類，實(shí)現(xiàn)這一??系列的功能。同事為以后的一系列定制化服務(wù)提供決策的基礎(chǔ)。??Ｋ催碰薦）??ｆ?＼?？｛用戶行為分析）??ｈｓｓｓｕｔｓａｓＡ?１￣￣?Ｖ?／??付費(fèi)答疑）??（靡刪ｙｊ??圖１．１?ａｉ教育功能圖??Ｆｉｇ．?１．１?ｆｕｎｃｔｉｏｎ?ｍａｐ?ｆｏｒ?ＡＩ?ｅｄｕｃａｔｉｏｎａｌ??目前對(duì)數(shù)據(jù)的處理方法主要包括了分類和聚類兩個(gè)方面。分類方法主要是??常見的多層感知機(jī)神經(jīng)網(wǎng)絡(luò)和一些集成學(xué)習(xí)方法比如ＧＢＤＴＷ和??１??

?？?＿?？??圖２．２?Ｘ－ＭＥＡＮＳ聚類算法過程??Ｆｉｇ．?２．２?Ｔｈｅ?ｃｌｕｓｔｅｒｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?／（Ｔ－ＭＥＡＮＳ?ａｌｇｏｒｉｔｈｍ??基于劃分的聚類方法％］，主要思想是聚類前選擇合適的聚類中心數(shù)々與臨??界閾值，對(duì)于給定的包含〃個(gè)樣本的數(shù)據(jù)集，將中所有樣本劃分到ａ個(gè)類簇中。??這個(gè)迭代過程中只要所有樣本與其類簇中心的距離沒有超過臨界閾值，就將其??６??

ｍ?ｍ?ｍ?ｍ??圖２．１不同的類簇劃分??Ｆｉｇ．?２．１?Ｄｉｆｆｅｒｅｎｔ?ｃｌｕｓｔｅｒｓ?ｄｉｖｉｓｉｏｎ??２．１．２經(jīng)典聚類算法??經(jīng)過大量學(xué)者的對(duì)聚類算法的不斷研宄，出現(xiàn)了許多經(jīng)典的聚類算法。目??前，經(jīng)典的聚類算法大致可分為以下幾種，它們分別是基于劃分的聚類算法，??密度聚類算法，層次聚類算法，網(wǎng)格聚類算法，基于模型的聚類算法。??Ｉｐｖｐ?ＩｐＶ??參?？?＿?？??圖２．２?Ｘ－ＭＥＡＮＳ聚類算法過程??Ｆｉｇ．?２．２?Ｔｈｅ?ｃｌｕｓｔｅｒｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?／（Ｔ－ＭＥＡＮＳ?ａｌｇｏｒｉｔｈｍ??基于劃分的聚類方法％］，主要思想是聚類前選擇合適的聚類中心數(shù)々與臨??界閾值，對(duì)于給定的包含〃個(gè)樣本的數(shù)據(jù)集，將中所有樣本劃分到ａ個(gè)類簇中。??這個(gè)迭代過程中只要所有樣本與其類簇中心的距離沒有超過臨界閾值，就將其??６??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李肅義;徐壯;熊文激;蔣善慶;吳疆;;一種光電容積脈搏信號(hào)的峰值點(diǎn)自動(dòng)識(shí)別方法[J];光譜學(xué)與光譜分析;2017年10期

2 王家圓;;CFRP加固矩形截面柱峰值點(diǎn)應(yīng)力模型建立[J];低溫建筑技術(shù);2016年04期

3 張曉清,張建科,方敏;多峰搜索的動(dòng)態(tài)微粒群算法[J];計(jì)算機(jī)應(yīng)用;2005年11期

4 李煒;;強(qiáng)度折減法求解邊坡穩(wěn)定安全系數(shù)研究[J];水運(yùn)工程;2008年08期

5 蔣壽田;;剪脹性土強(qiáng)度破壞標(biāo)準(zhǔn)的選擇[J];人民黃河;1986年06期

6 ;上期想想看答案[J];電世界;2015年10期

7 張克軍;王斌全;成娜莎;王長(zhǎng)生;王寧;劉太琴;;太原市30年2次花粉調(diào)查春秋季花粉變遷對(duì)比分析[J];中國(guó)耳鼻咽喉頭頸外科;2012年08期

8 唐耀武;高純斌;;模糊控制在光伏發(fā)電系統(tǒng)輸出功率峰值點(diǎn)跟蹤上的應(yīng)用[J];科技風(fēng);2018年24期

9 沈利生;我國(guó)潛在經(jīng)濟(jì)增長(zhǎng)率變動(dòng)趨勢(shì)估計(jì)[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;1999年12期

10 鄒煥新,郁文賢,匡綱要,鄭鍵;基于峰值點(diǎn)形態(tài)信息的SAR圖像艦船尾跡檢測(cè)算法[J];國(guó)防科技大學(xué)學(xué)報(bào);2005年02期

相關(guān)博士學(xué)位論文 前1條

1 胡軼;基于聲弛豫吸收譜線峰值點(diǎn)的氣體傳感技術(shù)研究[D];華中科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 陳釗;水下開口彈性空腔振動(dòng)及聲輻射特性研究[D];華中科技大學(xué);2019年

2 賈培靈;基于K近鄰方法的密度峰值點(diǎn)快速搜索聚類算法研究[D];山東科技大學(xué);2018年

3 趙云;心律失常的心電監(jiān)護(hù)與輔助診斷系統(tǒng)[D];鄭州大學(xué);2010年

4 張曉清;粒子群算法及其在模式識(shí)別領(lǐng)域中的應(yīng)用[D];西安電子科技大學(xué);2006年

5 馬士忠;鋼筋混凝土梁的非線性有限元分析和變形能力計(jì)算[D];湖南大學(xué);2008年

6 屠志海;心音信號(hào)的分析方法研究[D];華東師范大學(xué);2011年

7 劉全龍;鞋楦對(duì)女鞋舒適性的影響[D];北京服裝學(xué)院;2010年

8 汪振興;心電信號(hào)特征提取和ST段識(shí)別算法研究[D];重慶大學(xué);2012年

9 姚紅兵;基于眼鏡框架的生理信號(hào)檢測(cè)技術(shù)的研究[D];東南大學(xué);2016年

10 張彪;連續(xù)波多普勒引信抗掃頻式干擾方法研究[D];北京理工大學(xué);2016年

本文編號(hào)：2876430