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,圖像識別與自動駕駛,個性化推薦等等。這些技術(shù)無疑會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,整個過程簡單高效。但是,傳統(tǒng)DPC算法在識別不同密度類簇、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,針對這兩個不足,提出了兩種DPC算法的改進(jìn)算法。論文的主要工作如下:(1)針對傳統(tǒng)DPC算法無法有效識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函數(shù),計算樣本的K近鄰樣本集合與K近鄰距離集合,通過給定樣本的K近鄰距離估計樣本密度。再計算樣本距離,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DPC算法識別噪聲數(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近鄰距離集合估計樣本噪聲指標(biāo),對數(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)估計樣本密度,計算樣本距離,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)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP311.13;TP18
【部分圖文】：

析％通過對用戶的搜索記錄和學(xué)習(xí)反饋，可以提供個性化推薦［５］，分析學(xué)生對??知識點(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，無論是個性化推薦，還是用戶行為分析或者其它功??能，歸根結(jié)底是對數(shù)據(jù)的分類聚類。通過對目標(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??目前對數(shù)據(jù)的處理方法主要包括了分類和聚類兩個方面。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，對于給定的包含〃個樣本的數(shù)據(jù)集，將中所有樣本劃分到ａ個類簇中。??這個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，對于給定的包含〃個樣本的數(shù)據(jù)集，將中所有樣本劃分到ａ個類簇中。??這個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的峰值點(diǎn)自動識別方法[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;多峰搜索的動態(tài)微粒群算法[J];計算機(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比分析[J];中國耳鼻咽喉頭頸外科;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;我國潛在經(jīng)濟(jì)增長率變動趨勢估計[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圖像艦船尾跡檢測算法[J];國防科技大學(xué)學(xué)報;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算[D];湖南大學(xué);2008年

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

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

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

9 姚紅兵;基于眼鏡框架的生理信號檢測技術(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：2876430