大數(shù)據(jù)智能挖掘分析是當前大數(shù)據(jù)挖掘研究和應用發(fā)展的重要方向,問題任務的復雜性是其中的關鍵挑戰(zhàn),探索復雜任務的分解求解具有重要意義。目前,復雜任務求解方法（如專家式分解、按類別分解、自動分解等）主要是基于監(jiān)督式或半監(jiān)督式,任務分解求解前需要大量的學習過程。然而,在現(xiàn)實場景下,用于學習的大量先驗知識有時難以獲取。所以,本文模擬人類思考問題時的多粒度觀察和分析的思維,采用密度峰值聚類的信息粒化策略,探索多粒度分解求解機制在實際復雜問題中的應用效果。本文主要貢獻如下:1、提出一種基于密度峰值的復雜網(wǎng)絡多粒度分解求解方法,該方法主要探索基于密度峰值的多粒度分解機制在復雜網(wǎng)絡下解決社區(qū)發(fā)現(xiàn)問題的效果。首先,本文采用密度峰值聚類算法生成任務求解的全局任務引導樹,通過定義相似度度量公式和相似度閾值來判斷子任務集能否從全局任務中分解。其次,在復雜網(wǎng)絡的多粒度社區(qū)發(fā)現(xiàn)任務求解模型中,采用基于密度峰值的復雜任務分解算法,得到最粗粒度任務求解空間,結(jié)合定義的粒化規(guī)則,使最粗問題求解空間由粗到細進行�；�,形成社交網(wǎng)絡的多粒度問題求解空間;最后,通過實驗對比證明了本方法能快速自動地發(fā)現(xiàn)社交網(wǎng)絡中社區(qū)結(jié)構(gòu)的層次關系... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

概念的上、下近似集

圖 2.3 數(shù)據(jù)集二維散點圖 圖 2.4 對應的決策圖DPC 算法的詳細操作如下：算法 2.1 密度峰值快速聚類算法[29]輸 入: 數(shù)據(jù)集，數(shù)據(jù)點的距離矩陣 D輸 出: 形成的聚簇數(shù)量 M ，聚類結(jié)果Ck(k = 1, 2,..., M )① 讀入數(shù)據(jù)點的距離矩陣 D；② 初始化截斷距離(dc)；③ 通過公式 2.5 和 2.6 計算數(shù)據(jù)點的局部密度ρ和相對距離δ；④ 生成決策圖，從決策圖中人工確定可能的數(shù)據(jù)中心點；⑤ 根據(jù)非聚類中心的密度吸引點歸類非聚類中心數(shù)據(jù)。在 DPC 算法的計算過程中，我們需要注意的是 DPC 將數(shù)據(jù)點的距離入，對于密度峰值聚類算法本身的算法復雜度而言規(guī)避了計算距離矩

圖 2.3 數(shù)據(jù)集二維散點圖 圖 2.4 對應的決策圖DPC 算法的詳細操作如下：算法 2.1 密度峰值快速聚類算法[29]輸 入: 數(shù)據(jù)集，數(shù)據(jù)點的距離矩陣 D輸 出: 形成的聚簇數(shù)量 M ，聚類結(jié)果Ck(k = 1, 2,..., M )① 讀入數(shù)據(jù)點的距離矩陣 D；② 初始化截斷距離(dc)；③ 通過公式 2.5 和 2.6 計算數(shù)據(jù)點的局部密度ρ和相對距離δ；④ 生成決策圖，從決策圖中人工確定可能的數(shù)據(jù)中心點；⑤ 根據(jù)非聚類中心的密度吸引點歸類非聚類中心數(shù)據(jù)。在 DPC 算法的計算過程中，我們需要注意的是 DPC 將數(shù)據(jù)點的距離入，對于密度峰值聚類算法本身的算法復雜度而言規(guī)避了計算距離矩

【參考文獻】：
期刊論文
[1]基于云模型和空間信息的多粒度彩色圖像分割[J]. 何菲菲,王國胤,劉旋.  小型微型計算機系統(tǒng). 2016(08)
[2]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi.  Chinese Journal of Electronics. 2016(03)
[3]一種基于密度峰值發(fā)現(xiàn)的文本聚類算法[J]. 劉穎瑩,劉培玉,王智昊,李情情,朱振方.  山東大學學報(理學版). 2016(01)
[4]基于密度峰值搜索的全極化SAR圖像分類[J]. 何偉,邢孟道.  系統(tǒng)工程與電子技術. 2016(01)
[5]云模型及應用綜述[J]. 葉瓊,李紹穩(wěn),張友華,疏興旺,倪冬平.  計算機工程與設計. 2011(12)
[6]粗糙集理論與應用研究綜述[J]. 王國胤,姚一豫,于洪.  計算機學報. 2009(07)
[7]粒計算研究綜述[J]. 王國胤,張清華,胡軍.  智能系統(tǒng)學報. 2007(06)
[8]基于商空間理論的模糊粒度計算方法[J]. 徐峰,張鈴,王倫文.  模式識別與人工智能. 2004(04)
[9]粗糙集知識發(fā)現(xiàn)的研究現(xiàn)狀和展望[J]. 安海忠,鄭鏈,王廣祥.  計算機測量與控制. 2003(02)
[10]隸屬云和隸屬云發(fā)生器[J]. 李德毅,孟海軍,史雪梅.  計算機研究與發(fā)展. 1995(06)



本文編號：3289686