發(fā)布時(shí)間：2017-08-26 01:07

  本文關(guān)鍵詞：若干改進(jìn)近鄰傳播聚類算法及其應(yīng)用

  更多相關(guān)文章： 近鄰傳播聚類算法 熵權(quán)法 主成分分析法 貼近度 布谷鳥優(yōu)化算法 半監(jiān)督學(xué)習(xí)

【摘要】：機(jī)器學(xué)習(xí)是人工智能的核心。它是根據(jù)以往的經(jīng)驗(yàn)學(xué)習(xí)優(yōu)化計(jì)算機(jī)算法性能的過程。目前,它已成功應(yīng)用于自然語言處理、生物信息學(xué)、搜索引擎、醫(yī)學(xué)診斷、信息安全、證券市場(chǎng)分析、語音和手寫識(shí)別等領(lǐng)域。機(jī)器學(xué)習(xí)按照學(xué)習(xí)形式可分為無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)。聚類分析是無監(jiān)督學(xué)習(xí)的一個(gè)重要分支。近鄰傳播(Affinity Propagation,AP)聚類算法是Frey等人于2007年在《Science》提出的一種新的聚類算法,該算法具有結(jié)果不受初始類代表點(diǎn)的選擇、穩(wěn)定性強(qiáng)和迭代速度快等優(yōu)勢(shì)。目前該算法已成功應(yīng)用于諸多領(lǐng)域,但是它仍然存在一些弊端,因此,對(duì)近鄰傳播聚類算法進(jìn)行理論改進(jìn)和應(yīng)用研究具有重要意義。本文主要研究?jī)?nèi)容如下:(1)傳統(tǒng)近鄰傳播聚類算法對(duì)高維數(shù)據(jù)進(jìn)行聚類分析時(shí),由于“維度效應(yīng)”難以找到恰當(dāng)?shù)念惤Y(jié)構(gòu),導(dǎo)致聚類失效,鑒于此,本文提出一種基于熵權(quán)法和主成分分析法的近鄰傳播聚類算法(The Entropy Weight Method and Principal Component Analysis Affinity Propagation,EWPCA-AP)。該算法引用熵權(quán)法對(duì)樣本數(shù)據(jù)賦權(quán),利用主成分分析法消除無關(guān)屬性,并與近鄰傳播聚類算法相融合,實(shí)現(xiàn)高維數(shù)據(jù)在低維空間聚類。通過仿真實(shí)驗(yàn)數(shù)值結(jié)果表明:本文提出的EWPCA-AP聚類算法能夠有效地消除數(shù)據(jù)的冗余性、剔除無關(guān)屬性,提高聚類效果。此外,本文將提出的EWPCA-AP聚類算法應(yīng)用于我國經(jīng)濟(jì)評(píng)價(jià)領(lǐng)域,獲得的聚類結(jié)果與實(shí)際情況相一致,這為我國經(jīng)濟(jì)領(lǐng)域提供一種新的智能評(píng)價(jià)方法。(2)距離貼近度是模糊數(shù)學(xué)的重要函數(shù)之一,相比歐氏距離,距離貼近度有消除量綱影響的優(yōu)勢(shì),能更好的反應(yīng)奇異樣本數(shù)據(jù)空間特征。本文將距離貼近度的思想引入到相似度量函數(shù)中,與傳統(tǒng)的近鄰傳播聚類算法相融合,提出一種基于距離貼近度的近鄰傳播聚類算法(Close Measures Affinity Propagation,CM-AP)。通過UCI數(shù)據(jù)集實(shí)驗(yàn)數(shù)值結(jié)果表明:本文提出的CM-AP聚類算法具有很好的魯棒性,能有效地消除量綱影響,提高聚類效果,同時(shí),拓寬算法處理多種數(shù)據(jù)的能力。另外,本文將提出的CM-AP聚類算法用于我國上市公司績(jī)效評(píng)價(jià)領(lǐng)域,取得的聚類結(jié)果與實(shí)際相符合,這為投資者做出合理的投資提供可靠的依據(jù),幫助投資者理性投資、減少投資風(fēng)險(xiǎn)。(3)布谷鳥優(yōu)化算法是一種新的、參數(shù)少、尋優(yōu)能力強(qiáng)的群體智能優(yōu)化算法。由于近鄰傳播聚類性能受初始偏向參數(shù)選擇的影響,本文將布谷鳥優(yōu)化算法和近鄰傳播聚類算法相融合,提出一種基于布谷鳥優(yōu)化的半監(jiān)督近鄰傳播聚類算法(Semi-supervised Affinity Propagation Based on Cuckoo Search,CS-SAP)。該算法引入半監(jiān)督思想,指導(dǎo)相似度矩陣更新,通過布谷鳥優(yōu)化算法自適應(yīng)掃描偏向參數(shù)空間獲取最優(yōu)值。通過仿真實(shí)驗(yàn)結(jié)果表明:CS-SAP聚類算法與預(yù)期期望的結(jié)果相符合,聚類性能明顯提高。近幾十年來,在全局優(yōu)化計(jì)算領(lǐng)域出現(xiàn)許多新的群體優(yōu)化算法,它們能夠更好地模擬人類的智能實(shí)現(xiàn)數(shù)據(jù)智能化處理,并成功應(yīng)用于諸多領(lǐng)域。因此,研究此高效的智能數(shù)據(jù)挖掘技術(shù)更具有意義和價(jià)值。
【關(guān)鍵詞】：近鄰傳播聚類算法 熵權(quán)法 主成分分析法 貼近度 布谷鳥優(yōu)化算法 半監(jiān)督學(xué)習(xí)
【學(xué)位授予單位】：吉林財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP311.13
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 選題背景10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文主要研究?jī)?nèi)容13-14
• 1.4 本文主要?jiǎng)?chuàng)新點(diǎn)14-16
• 第2章 機(jī)器學(xué)習(xí)及近鄰傳播聚類算法相關(guān)理論16-29
• 2.1 機(jī)器學(xué)習(xí)簡(jiǎn)介16-17
• 2.2 近鄰傳播聚類算法的原理17-20
• 2.2.1 近鄰傳播聚類算法的基本流程17-19
• 2.2.2 算法的重要參數(shù)19-20
• 2.3 相似性度量方法20-23
• 2.3.1 基于距離的相似度20-22
• 2.3.2 基于密度的相似度22
• 2.3.3 基于連接的相似度22-23
• 2.4 聚類有效性評(píng)價(jià)方法23-28
• 2.4.1 外部評(píng)價(jià)法23-24
• 2.4.2 內(nèi)部評(píng)價(jià)法24-25
• 2.4.3 相對(duì)評(píng)價(jià)法25-28
• 2.5 本章小結(jié)28-29
• 第3章 基于熵權(quán)法和主成分分析法的近鄰傳播聚類算法及其應(yīng)用29-43
• 3.1 引言29-30
• 3.2 熵權(quán)法30-33
• 3.2.1 熵權(quán)法的基本原理30
• 3.2.2 基于熵權(quán)的權(quán)重計(jì)算法30-31
• 3.2.3 主成分分析法31-33
• 3.3 基于熵權(quán)法和主成分分析法的近鄰傳播聚類算法及其應(yīng)用33-41
• 3.3.1 基于熵權(quán)法和主成分分析法的近鄰傳播算法流程33-35
• 3.3.2 實(shí)驗(yàn)?zāi)M與結(jié)果分析35-37
• 3.3.3 我國各地區(qū)經(jīng)濟(jì)績(jī)效評(píng)價(jià)37-41
• 3.4 本章小結(jié)41-43
• 第4章 基于距離貼近度的近鄰傳播聚類算法及其應(yīng)用43-55
• 4.1 引言43
• 4.2 貼近度法43-44
• 4.3 基于距離貼近度的近鄰傳播聚類算法及其應(yīng)用44-54
• 4.3.1 基于距離貼近度的近鄰傳播聚類算法流程44-45
• 4.3.2 實(shí)驗(yàn)?zāi)M與結(jié)果分析45-48
• 4.3.3 上市公司經(jīng)濟(jì)績(jī)效評(píng)價(jià)48-54
• 4.4 本章小結(jié)54-55
• 第5章 基于布谷鳥優(yōu)化的半監(jiān)督近鄰傳播聚類算法55-65
• 5.1 引言55
• 5.2 布谷鳥優(yōu)化算法簡(jiǎn)介55-57
• 5.3 半監(jiān)督聚類算法簡(jiǎn)介57-58
• 5.4 基于布谷鳥優(yōu)化的半監(jiān)督近鄰傳播聚類算法58-64
• 5.4.1 基于布谷鳥優(yōu)化的半監(jiān)督近鄰傳播聚類算法流程59
• 5.4.2 實(shí)驗(yàn)?zāi)M與結(jié)果分析59-64
• 5.5 本章小結(jié)64-65
• 第6章 結(jié)論與展望65-67
• 攻讀碩士學(xué)位期間已公開發(fā)表的論文67-68
• 參考文獻(xiàn)68-72
• 致謝72

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 葛磊;武芳;王鵬波;張冬林;;3維建筑綜合中基于最小特征的面平移算法[J];測(cè)繪科學(xué)技術(shù)學(xué)報(bào);2009年02期

2 駱雯,孫延明,陳振威,陳錦昌;判斷點(diǎn)與封閉多邊形相對(duì)關(guān)系的改進(jìn)算法[J];機(jī)械;1999年03期

3 李林;盧顯良;;一種基于切割映射的規(guī)則沖突消除算法[J];電子學(xué)報(bào);2008年02期

4 劉巧玲;張紅英;林茂松;;一種簡(jiǎn)單快速的圖像去霧算法[J];計(jì)算機(jī)應(yīng)用與軟件;2013年07期

5 林亞平,楊小林;快速概率分析進(jìn)化算法及其性能研究[J];電子學(xué)報(bào);2001年02期

6 章郡鋒;吳曉紅;黃曉強(qiáng);何小海;;基于暗原色先驗(yàn)去霧的改進(jìn)算法[J];電視技術(shù);2013年23期

7 楊鐵軍;靳婷;;一種動(dòng)態(tài)整周模糊值求解算法及其仿真分析[J];系統(tǒng)工程與電子技術(shù);2007年01期

8 周秀玲;郭平;陳寶維;王靜;;幾種計(jì)算超體積算法的比較研究[J];計(jì)算機(jī)工程;2011年03期

9 吳一戎,胡東輝,彭海良;Chirp Scaling SAR成象算法及其實(shí)現(xiàn)[J];電子科學(xué)學(xué)刊;1995年03期

10 王貴竹;一種產(chǎn)生單向分解值的算法[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強(qiáng)算法[A];四川省通信學(xué)會(huì)一九九二年學(xué)術(shù)年會(huì)論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計(jì)算機(jī)輔助增強(qiáng)、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價(jià)值[A];中華醫(yī)學(xué)會(huì)第十次全國超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進(jìn)[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實(shí)現(xiàn)[A];中國光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標(biāo)TBD算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機(jī)器人設(shè)計(jì)[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對(duì)稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測(cè)算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵(lì)金祥;;基于棱邊方向檢測(cè)的運(yùn)動(dòng)自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中國重要報(bào)紙全文數(shù)據(jù)庫 前1條

1 國泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍?zhǔn)?[N];上海證券報(bào);2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計(jì)算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識(shí)別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時(shí)間表問題的啟發(fā)式進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測(cè)與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 蔣亦樟;多視角和遷移學(xué)習(xí)識(shí)別方法和智能建模研究[D];江南大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計(jì)中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進(jìn);面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動(dòng)分割算法[D];華南理工大學(xué);2015年

4 陳堅(jiān);基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺(tái)的去霧算法研究及實(shí)現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺(tái)的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進(jìn)與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號(hào)：738698