作為一種應(yīng)用廣泛的非監(jiān)督學(xué)習(xí)任務(wù),聚類任務(wù)一直是熱點研究問題。傳統(tǒng)方法已經(jīng)取得了不錯的成績,然而其在面對大規(guī)模高維數(shù)據(jù)時卻力有不足。受到深度學(xué)習(xí)在分類問題中取得顯著成績的啟發(fā),基于深度神經(jīng)網(wǎng)絡(luò)的聚類算法不斷被提出,也取得了不錯的成效。然而,目前的深度聚類算法仍不能做到既關(guān)注到特征的簇內(nèi)簇間距離,又能夠進行端到端訓(xùn)練和推理,并不能完全發(fā)揮出深度聚類算法應(yīng)有的聚類效果。針對上述問題,本文提出了兩種基于邊緣距離約束的深度聚類算法:基于歐式距離度量的強區(qū)分性深度聚類算法和基于余弦距離度量的強區(qū)分性深度聚類算法。實驗結(jié)果表明,兩種方法在大規(guī)模高維數(shù)據(jù)的聚類問題中均能取得不錯的效果,并且是單步驟的端到端算法。針對現(xiàn)有的深度聚類算法難以學(xué)習(xí)到簇間差異性較大的特征表示這一問題,本文首先提出了基于歐式距離度量的強區(qū)分性深度聚類算法。該方法通過增大不同簇的特征表示之間的歐式距離來提高簇間的差異性。具體而言,如果兩個數(shù)據(jù)屬于不同的簇,就增大其特征之間的歐式距離,令其大于一個距離約束因子。此外,考慮到中間聚類結(jié)果的不可靠性,將中間概率作為權(quán)重系數(shù),以關(guān)注具有高置信度的數(shù)據(jù)。針對上述算法存在依賴數(shù)據(jù)挖掘策略和增... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 聚類方法研究現(xiàn)狀
        1.2.2 區(qū)分力損失函數(shù)研究現(xiàn)狀
    1.3 本文工作
        1.3.1 基于歐式距離度量的深度聚類算法
        1.3.2 基于余弦距離度量的深度聚類算法
    1.4 本文的組織結(jié)構(gòu)
第二章 相關(guān)研究
    2.1 聚類問題概述
    2.2 現(xiàn)有的聚類算法
        2.2.1 傳統(tǒng)的聚類算法
        2.2.2 基于深度神經(jīng)網(wǎng)絡(luò)的聚類算法
    2.3 現(xiàn)有的增加特征區(qū)分度的損失函數(shù)
        2.3.1 具有強區(qū)分性的度量損失函數(shù)
        2.3.2 具有強區(qū)分性的分類損失函數(shù)
    2.4 本章小結(jié)
第三章 基于歐式距離度量的深度聚類算法
    3.1 基于歐式距離度量的損失函數(shù)
        3.1.1 聚類損失
        3.1.2 重構(gòu)損失
        3.1.3 區(qū)分力損失
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
    3.3 實驗與分析
        3.3.1 進行對比的算法
        3.3.2 實驗所用數(shù)據(jù)集
        3.3.3 度量標準
        3.3.4 實驗細節(jié)
        3.3.5 實驗結(jié)果
    3.4 本章小結(jié)
第四章 基于余弦距離度量的深度聚類算法
    4.1 基于余弦距離度量的損失函數(shù)
        4.1.1 相關(guān)基礎(chǔ)知識
        4.1.2 損失函數(shù)定義
    4.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
    4.3 實驗與分析
        4.3.1 實驗細節(jié)
        4.3.2 實驗結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)和展望
    5.1 工作總結(jié)
    5.2 工作展望
致謝
參考文獻
作者在學(xué)期間取得的學(xué)術(shù)成果



本文編號：3195841