【摘要】：隨著信息時(shí)代到來(lái),數(shù)據(jù)量激增,數(shù)據(jù)復(fù)雜度高,如何從這些數(shù)據(jù)中挖掘有用信息正成為數(shù)據(jù)挖掘的一個(gè)重要研究方向。聚類研究是數(shù)據(jù)挖掘的一個(gè)主要方法,是一種有效分析數(shù)據(jù)、挖掘有效信息的方式。傳統(tǒng)的聚類算法如k均值算法、k中心點(diǎn)算法等在處理日漸復(fù)雜的數(shù)據(jù)時(shí)顯得力不從心。譜聚類是一種建立在圖論基礎(chǔ)上的新型聚類算法,近年來(lái)譜聚類算法因其具有堅(jiān)實(shí)的理論基礎(chǔ)和優(yōu)異的聚類效果吸引了越來(lái)越多的學(xué)者對(duì)其進(jìn)行研究。但是只采用一種聚類算法通常無(wú)法處理各類異構(gòu)數(shù)據(jù)集和計(jì)算過(guò)程中面對(duì)的問(wèn)題。聚類集成的思路是通過(guò)一定的方式整合多個(gè)學(xué)習(xí)器產(chǎn)生的基聚類以產(chǎn)生新的聚類結(jié)果,因其結(jié)合了學(xué)習(xí)器的差異性和精確性,所以集成算法泛化能力強(qiáng),生成聚類結(jié)果更優(yōu)。膜計(jì)算是仿照生物細(xì)胞膜工作機(jī)制提出的一種高效、新穎的計(jì)算模型,它涉及計(jì)算科學(xué)與生命科學(xué)兩大領(lǐng)域,是一門綜合學(xué)科。本文主要對(duì)譜聚類算法、譜聚類集成算法以及膜計(jì)算進(jìn)行了研究,具體研究?jī)?nèi)容如下:首先,介紹了本文涉及到的膜計(jì)算、譜聚類算法、聚類集成算法的研究現(xiàn)狀及國(guó)內(nèi)外研究趨勢(shì)。細(xì)胞型膜系統(tǒng)、組織型膜系統(tǒng)和神經(jīng)型膜系統(tǒng)三種膜計(jì)算模型的結(jié)構(gòu)、規(guī)則;圖劃分準(zhǔn)則、譜聚類概述;聚類集成算法原理、學(xué)習(xí)器合并策略以及各自研究應(yīng)用和本文的創(chuàng)新的與難點(diǎn)。其次,本文提出兩種新型組織型膜系統(tǒng)—?jiǎng)討B(tài)組織膜系統(tǒng)(Dynamic Tissue-like Membrane System,簡(jiǎn)稱DTP系統(tǒng))和混合型動(dòng)態(tài)組織膜系統(tǒng)(Hybrid Dynamic Tissue-like Membrane System,簡(jiǎn)稱HDTP系統(tǒng))。前者可以根據(jù)輸入數(shù)據(jù)調(diào)用膜內(nèi)規(guī)則動(dòng)態(tài)調(diào)整結(jié)構(gòu),實(shí)現(xiàn)自動(dòng)聚類;后者在DTP系統(tǒng)基礎(chǔ)上將組織型膜系統(tǒng)與細(xì)胞型膜系統(tǒng)結(jié)合,使之成為適合聚類集成算法的結(jié)構(gòu)。同時(shí)利用寄存器證明了DTP系統(tǒng)和HDTP系統(tǒng)的圖靈可計(jì)算性。然后,提出兩種基于膜系統(tǒng)的聚類算法。第三章提出基于動(dòng)態(tài)組織膜系統(tǒng)的改進(jìn)譜聚類算法(Improved Spectral Clustering Algorithm,簡(jiǎn)稱為ISC算法),將基本譜聚類算法中用到的K-means算法初始點(diǎn)的選取方法進(jìn)行了優(yōu)化,使K-means算法不易受初始聚類中心和離群點(diǎn)的影響提高算法準(zhǔn)確性,并將改進(jìn)算法與膜系統(tǒng)結(jié)合,用實(shí)驗(yàn)證明改進(jìn)算法在聚類準(zhǔn)確性和處理球面數(shù)據(jù)集方面的優(yōu)越性。第四章以ISC算法為學(xué)習(xí)器,利用Bagging技術(shù)和選擇性集成策略設(shè)計(jì)了基于Bagging技術(shù)的改進(jìn)譜聚類選擇性聚類集成算法(Improved Spectral Clustering Selective Clustering Ensemble Algorithm Based on Bagging Technology,簡(jiǎn)稱為ISCBE算法),再將此算法與HDTP系統(tǒng)結(jié)合,利用其并行計(jì)算優(yōu)勢(shì)提高算法有效性。本章將HDTP-ISCBE算法與DTP-ISC算法、譜聚類算法及K-means算法進(jìn)行比較,在UCI數(shù)據(jù)集上顯示出較好的聚類效果。最后,本文將提出的HDTP-ISCBE算法應(yīng)用到微博用戶和小紅書(shū)用戶細(xì)分研究中,用網(wǎng)絡(luò)爬蟲(chóng)軟件分別爬取兩個(gè)平臺(tái)用戶數(shù)據(jù),對(duì)數(shù)據(jù)進(jìn)行清洗、編碼、特征選擇等一系列操作后利用HDTP-ISCBE算法對(duì)數(shù)據(jù)進(jìn)行聚類,以聚類效果衡量算法效率,從實(shí)際意義方面分析細(xì)分后用戶類型的特征,以此為依據(jù)為企業(yè)針對(duì)不同類型微博用戶設(shè)計(jì)營(yíng)銷方案提出意見(jiàn)與建議。
【圖文】：

圖 1-1 譜聚類過(guò)程為了將數(shù)據(jù)劃分到 k ( k 2)個(gè)簇，目前主要有 2-路劃分和多路劃分兩種劃分方法劃分每次使用相同的算法將圖劃分為兩個(gè)部分，直到得到的簇?cái)?shù)滿足要求。這種起來(lái)簡(jiǎn)單易懂，但是運(yùn)行效率低，，只是用單一特征向量（如 Fiedler 向量）包含的

學(xué)習(xí)器構(gòu)造機(jī)制
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP311.13;Q811.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃良韜;趙亞群;;雙圖約束譜聚類中的數(shù)據(jù)不相似圖構(gòu)造[J];信息工程大學(xué)學(xué)報(bào);2017年05期

2 曲昊;閔潔;;利用譜聚類發(fā)現(xiàn)符號(hào)化時(shí)間序列中的模式[J];九江職業(yè)技術(shù)學(xué)院學(xué)報(bào);2017年02期

3 唐風(fēng)琴;丁文文;;基于譜聚類帶有節(jié)點(diǎn)特征的社區(qū)發(fā)現(xiàn)算法[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2018年02期

4 吳彥博;;譜聚類廣義模型和典型算法探析[J];通訊世界;2016年23期

5 張曉琴;安曉丹;曹付元;;基于譜聚類的二分網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J];計(jì)算機(jī)科學(xué);2019年04期

6 王俊潔;劉青;;基于譜聚類的自適應(yīng)新生目標(biāo)強(qiáng)度狀態(tài)提取[J];計(jì)算機(jī)工程與設(shè)計(jì);2019年03期

7 葉茂;劉文芬;;一種適用于大規(guī)模數(shù)據(jù)的約束譜聚類框架[J];信息工程大學(xué)學(xué)報(bào);2018年04期

8 宋以寧;劉文萍;駱有慶;宗世祥;;基于線性譜聚類的林地圖像中枯死樹(shù)監(jiān)測(cè)[J];林業(yè)科學(xué);2019年04期

9 房梁;殷麗華;李鳳華;方濱興;;基于譜聚類的訪問(wèn)控制異常權(quán)限配置挖掘機(jī)制[J];通信學(xué)報(bào);2017年12期

10 徐雪麗;蘇錦霞;;稀疏譜聚類方法及應(yīng)用[J];蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年05期

相關(guān)會(huì)議論文 前8條

1 劉世偉;;基于譜聚類的通信行業(yè)原生家庭識(shí)別模型研究[A];2018廣東通信青年論壇優(yōu)秀論文專刊[C];2018年

2 王忠美;顧行發(fā);楊曉梅;;基于邊界指導(dǎo)光譜聚類高分辨遙感圖像分割[A];第四屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2017年

3 張魯民;賈焰;周斌;;基于情感計(jì)算的微博突發(fā)事件檢測(cè)方法研究[A];第27次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2012年

4 謝永康;周雅倩;黃萱菁;;一種基于譜聚類的共指消解方法[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

5 陳昆;李躍華;;基于譜聚類的非線性降維算法研究[A];第十一屆全國(guó)博士生學(xué)術(shù)年會(huì)——信息技術(shù)與安全專題論文集[C];2013年

6 張?jiān)?鄒煥新;邵寧遠(yuǎn);秦先祥;周石琳;計(jì)科峰;;類別數(shù)目自動(dòng)估計(jì)的極化SAR圖像非監(jiān)督地物分類[A];第四屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2017年

7 趙占飛;梁偉;;天然氣壓縮機(jī)故障信號(hào)聚類方法研究[A];2015年中國(guó)機(jī)械工程學(xué)會(huì)設(shè)備與維修工程分會(huì)學(xué)術(shù)年會(huì)論文集[C];2015年

8 黃春燕;張目;李巖;席春紅;;基于譜聚類的科技型中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究[A];風(fēng)險(xiǎn)分析和危機(jī)反應(yīng)中的信息技術(shù)--中國(guó)災(zāi)害防御協(xié)會(huì)風(fēng)險(xiǎn)分析專業(yè)委員會(huì)第六屆年會(huì)論文集[C];2014年

相關(guān)博士學(xué)位論文 前10條

1 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類方法研究[D];安徽大學(xué);2006年

2 隋毅;基于譜聚類的圖像分割方法研究[D];哈爾濱工程大學(xué);2013年

3 陳麗敏;面向大規(guī)模數(shù)據(jù)集的譜聚類方法研究[D];哈爾濱工程大學(xué);2015年

4 蘇木亞;譜聚類方法研究及其在金融時(shí)間序列數(shù)據(jù)挖掘中的應(yīng)用[D];大連理工大學(xué);2011年

5 楊藝芳;譜聚類與維數(shù)約簡(jiǎn)算法及其應(yīng)用[D];西安電子科技大學(xué);2016年

6 魯斌;幾類復(fù)雜網(wǎng)絡(luò)度量性質(zhì)和拓?fù)湫再|(zhì)的研究[D];華南理工大學(xué);2013年

7 宋軍;水交換模型的理論方法及應(yīng)用研究[D];中國(guó)海洋大學(xué);2010年

8 樊沛;虛擬計(jì)算環(huán)境中面向通信特征的應(yīng)用部署優(yōu)化技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

9 陳偉;高光譜影像地物智能化提取理論與方法研究[D];解放軍信息工程大學(xué);2012年

10 谷瑞軍;基于流形學(xué)習(xí)的高維空間分類器研究[D];江南大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 胡雪偉;基于動(dòng)態(tài)組織膜系統(tǒng)的譜聚類集成算法研究與應(yīng)用[D];山東師范大學(xué);2019年

2 楊陽(yáng);基于譜聚類的復(fù)雜網(wǎng)絡(luò)重疊社團(tuán)檢測(cè)算法研究[D];安徽大學(xué);2019年

3 王若南;基于密度的增量數(shù)據(jù)譜聚類方法研究[D];哈爾濱工程大學(xué);2019年

4 謝雪峰;基于收縮譜聚類方法的推薦算法研究[D];蘭州大學(xué);2019年

5 馬揚(yáng);基于譜聚類的復(fù)雜網(wǎng)絡(luò)時(shí)序鏈路預(yù)測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

6 駱迅;基于LMDI和高斯圖模型的中國(guó)霧霾成因?qū)嵶C研究[D];華中師范大學(xué);2018年

7 崔宇童;基于譜聚類優(yōu)化的社區(qū)發(fā)現(xiàn)方法研究[D];中國(guó)礦業(yè)大學(xué);2018年

8 王益新;基于譜聚類的數(shù)據(jù)挖掘方法研究[D];西安電子科技大學(xué);2018年

9 谷金超;基于譜聚類方法的基因表達(dá)數(shù)據(jù)分析研究[D];湖南大學(xué);2016年

10 陳方;基因表達(dá)數(shù)據(jù)的譜聚類方法研究[D];湖南大學(xué);2015年

本文編號(hào)：2623075