聚類(lèi)算法及基于簇模式聚類(lèi)集成研究.pdf

1、計(jì)算機(jī)技術(shù)的普及使得各行各業(yè)積累了大量的數(shù)據(jù)信息，人工處理這些大規(guī)模的數(shù)據(jù)已變得不現(xiàn)實(shí)。因此，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生了。在數(shù)據(jù)挖掘領(lǐng)域中聚類(lèi)技術(shù)是其中的一個(gè)熱點(diǎn)，聚類(lèi)是以某種相似性度量方法對(duì)數(shù)據(jù)集中的對(duì)象進(jìn)行度量，依據(jù)某種聚類(lèi)策略把相似性大的對(duì)象劃分到同一簇中，把相似性小的對(duì)象劃分到不同的簇中，從而使同一個(gè)簇中對(duì)象的相似性最大，不同簇間對(duì)象相似性最小。不同的單一聚類(lèi)算法都有一定的適應(yīng)范圍和適應(yīng)于不同分布的數(shù)據(jù)集結(jié)構(gòu)。有些聚類(lèi)算法在數(shù)據(jù)量較

2、小時(shí)表現(xiàn)出較好的性能，但是無(wú)法勝任在大規(guī)模數(shù)據(jù)集上聚類(lèi)；有些聚類(lèi)算法比較傾向發(fā)現(xiàn)均勻分布的凸?fàn)畲?；有些聚?lèi)算法要求數(shù)據(jù)集的數(shù)據(jù)分布要比較緊湊；有些聚類(lèi)算法對(duì)離群點(diǎn)比較敏感。單個(gè)聚類(lèi)算法都有一定的局限性，而對(duì)多個(gè)聚類(lèi)算法進(jìn)行融合可以解決上述問(wèn)題。對(duì)多個(gè)聚類(lèi)算法進(jìn)行融合能夠提高系統(tǒng)的泛化能力和穩(wěn)定性，而且對(duì)有差異的聚類(lèi)算法進(jìn)行集成還能提高聚類(lèi)的準(zhǔn)確率。
　　 本文對(duì)聚類(lèi)技術(shù)和聚類(lèi)集成技術(shù)進(jìn)行了研究。簡(jiǎn)單介紹了聚類(lèi)算法的種類(lèi)及其代表算

3、法。簡(jiǎn)述了聚類(lèi)過(guò)程中的主要步驟，聚類(lèi)分析中常見(jiàn)的數(shù)據(jù)類(lèi)型及各種類(lèi)型數(shù)據(jù)對(duì)象的相似性度量方法。對(duì)層次聚類(lèi)算法進(jìn)行了較深入的研究，并提出了一種基于代表點(diǎn)的改進(jìn)的快速聚類(lèi)算法(REPBFC，REpresentative-Points Based Fast Clustering)。該算法是一種凝聚型層次聚類(lèi)算法，在簇的合并過(guò)程中，選用一定數(shù)量的代表點(diǎn)代表一個(gè)簇，從而能識(shí)別非凸?fàn)畈灰?guī)則的簇；根據(jù)90_10規(guī)則的特性，分兩個(gè)階段完成聚類(lèi)操作，與傳統(tǒng)

4、的聚類(lèi)算法相比降低了算法的時(shí)間復(fù)雜度。介紹了聚類(lèi)集成的研究熱點(diǎn)，如何生成有差異的聚類(lèi)集體和基于互信息的聚類(lèi)集體差異性度量方法；介紹了常見(jiàn)的共識(shí)函數(shù)的設(shè)計(jì)方法。本文中給出了由多個(gè)聚類(lèi)結(jié)果所組成的簇模式的概念，并提出了兩種基于簇模式的聚類(lèi)集成共識(shí)函數(shù)設(shè)計(jì)方法ECBCMP(Ensemble Clustering algorithm Based on Cluster-Mode and Partitioning methods)和ECCCM(En