基于決策粗糙集的面向知識自動聚類及應(yīng)用研究.pdf

1、聚類分析是智能信息處理、數(shù)據(jù)挖掘、模式識別等研究方向的重要研究內(nèi)容之一，在識別數(shù)據(jù)的內(nèi)在結(jié)構(gòu)方面具有重要作用。大多數(shù)聚類算法都需要預(yù)先給出參數(shù)，如聚類數(shù)目、聚類中心點或迭代次數(shù)等。事實上，如果沒有相關(guān)知識和經(jīng)驗，這在多數(shù)情況下是不可行的。因此，為了減少人為干擾因素，本文基于決策粗糙集模型進行了自動聚類的研究。
　　 Hirano和Tsumoto等提出的面向知識(Knowledge-Oriented)聚類算法，通過結(jié)合層次聚類算法

2、和粗糙集理論，能從局部和全局的數(shù)據(jù)特性上對數(shù)據(jù)進行聚類，具有很好的聚類效果。因此，本文采用了面向知識聚類的算法框架進行自動聚類的研究。首先，針對面向知識聚類算法的初始聚類結(jié)果對用戶輸入的初始閾值參數(shù)敏感這一問題，本文提出了一種自動閾值選取方法--選擇差值法。該方法充分考慮了數(shù)據(jù)的物理特性，能自動地得到較好的初始聚類結(jié)果。此外，本文研究發(fā)現(xiàn)了以往文獻中定義的類類不可區(qū)分度公式的不合理性并進行了改進，新的計算方法使聚類結(jié)果更加準確。

3、　　 本文還對決策粗糙集模型進行了研究，提出了基于決策粗糙集的聚類模式代價評估方法，能夠動態(tài)的對聚類結(jié)果進行評估，根據(jù)聚類模式的代價值的變化來制定合并策略和指導(dǎo)算法選擇終止點；另外，新方法也自動地給出了類重疊邊界區(qū)域的范圍，有助于用戶選擇不同粒度的聚類結(jié)果。
　　 同時，本文給出了一個基于決策粗糙集的面向知識自動聚類算法，在人工數(shù)據(jù)集和標準數(shù)據(jù)集上的實驗結(jié)果表明該算法是有效可行的，并且能處理類類邊界重疊問題，也不需要人為閾值的