隨著聚類(lèi)分析的發(fā)展,聚類(lèi)融合研究日趨成熟但也面臨著許多問(wèn)題。由于缺少數(shù)據(jù)分類(lèi)的先驗(yàn)信息,聚類(lèi)融合產(chǎn)生的基聚類(lèi)受聚類(lèi)算法影響明顯;大部分一致性集成函數(shù)使用的共協(xié)矩陣只考慮數(shù)據(jù)對(duì)出現(xiàn)在同一個(gè)簇的概率,對(duì)于基聚類(lèi)信息的利用率不高;聚類(lèi)融合計(jì)算過(guò)程存在時(shí)間、空間復(fù)雜度高等問(wèn)題。本文對(duì)聚類(lèi)融合中的一致性集成函數(shù)、共協(xié)矩陣和并行應(yīng)用三個(gè)方面進(jìn)行了研究。將改進(jìn)后的遺傳算法作為一致性集成函數(shù)保證了基聚類(lèi)的準(zhǔn)確性和多樣性,改進(jìn)后的共協(xié)矩陣用于一致性集成函數(shù)中提供了更多信息,兩者一起應(yīng)用提高了算法效果。最后,在Hadoop平臺(tái)上使用MapReduce框架實(shí)現(xiàn)算法的并行提高了算法效率。同時(shí),將并行算法應(yīng)用到醫(yī)學(xué)研究數(shù)據(jù)集上,為早期癌癥發(fā)現(xiàn)和預(yù)防提供指導(dǎo)。具體研究成果如下:(1)提出了基于遺傳算法的聚類(lèi)融合算法(CEGA)。針對(duì)聚類(lèi)融合要求基聚類(lèi)準(zhǔn)確性高、差異性高等特點(diǎn),本文將遺傳算法用作一致性集成函數(shù)。并根據(jù)聚類(lèi)融合目標(biāo)設(shè)計(jì)了適應(yīng)度函數(shù),根據(jù)基聚類(lèi)最多重疊元素?cái)?shù)量設(shè)計(jì)了選擇算子。實(shí)驗(yàn)分析了遺傳算法中適應(yīng)度函數(shù)和選擇算子對(duì)CEGA算法的影響;同時(shí)將CEGA算法與其它常用聚類(lèi)融合算法在數(shù)據(jù)集上進(jìn)行比較實(shí)驗(yàn),證明...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外相關(guān)研究與應(yīng)用現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 聚類(lèi)融合算法相關(guān)研究概述
    2.1 一致性集成函數(shù)概述
    2.2 共協(xié)矩陣概述
    2.3 常用評(píng)價(jià)指標(biāo)
    2.4 本章小結(jié)
第三章 基于遺傳算法的并行聚類(lèi)融合
    3.1 遺傳算法的改進(jìn)
        3.1.1 種群初始化
        3.1.2 適應(yīng)度函數(shù)
        3.1.3 選擇算子
        3.1.4 交叉操作和基因突變
        3.1.5 精英策略
    3.2 基于遺傳算法的聚類(lèi)融合算法
    3.3 基于遺傳算法的并行聚類(lèi)融合算法
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 遺傳算法的影響
        3.4.2 算法性能分析
        3.4.3 并行算法分析
    3.5 本章小結(jié)
第四章 基于遺傳算法和共協(xié)矩陣的并行聚類(lèi)融合
    4.1 共協(xié)矩陣的改進(jìn)
    4.2 基于遺傳算法和共協(xié)矩陣的聚類(lèi)融算法
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 基聚類(lèi)數(shù)量分析
        4.3.2 Parzen窗口分析
        4.3.3 算法性能分析
        4.3.4 并行算法分析
    4.4 基于遺傳算法和共協(xié)矩陣的并行聚類(lèi)融合算法在醫(yī)學(xué)中的應(yīng)用
    4.5 本章小結(jié)
第五章 結(jié)束語(yǔ)
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介



本文編號(hào)：3826944