調(diào)整學習聚類算法的研究.pdf

1、聚類是重要的數(shù)據(jù)挖掘技術(shù)，在海量數(shù)據(jù)統(tǒng)計、網(wǎng)絡分析及醫(yī)學圖形圖像自動監(jiān)測等領(lǐng)域具有廣泛的應用背景。聚類就是根據(jù)數(shù)據(jù)的內(nèi)在特性將數(shù)據(jù)對象劃分到不同的組(或簇)中，使得屬于同簇的數(shù)據(jù)對象具有相似性，不同簇的數(shù)據(jù)對象具有相異性。 近幾十年來，國內(nèi)外的研究者們提出了許多聚類算法，這些算法大多從全局或局部的角度觀察聚類，力圖發(fā)現(xiàn)所有聚類方案的最優(yōu)結(jié)果。由于處理數(shù)據(jù)的規(guī)模大、類型復雜，因此目前的聚類算法不能滿足人們對聚類質(zhì)量的要求。同時，經(jīng)

2、典算法在聚類過程中都有保持問題和數(shù)據(jù)對象位置不變的特點。 本文著眼于提高聚類質(zhì)量，充分地結(jié)合經(jīng)典聚類算法的特點，力圖從運動的角度來分析聚類，提出了基于調(diào)整學習的聚類算法，其基本思想是通過調(diào)用調(diào)整算子，變換數(shù)據(jù)對象的位置來構(gòu)造一系列粗細粒度不同的近似問題。 首先對細粒度近似問題聚類，再利用細粒度問題的聚類結(jié)果來引導粗粒度問題的求解。由于變換能改變問題的拓撲結(jié)構(gòu)，從而使原始問題可以轉(zhuǎn)化為多個簡單問題迭代求解，達到降低問題難度

3、和提高聚類質(zhì)量的目的。 本文在調(diào)整學習聚類算法的基礎上分別對FCM算法和CLARANS算法進行了改進。 最后通過多組仿真數(shù)據(jù)和3個實際數(shù)據(jù)集比較了改進算法與經(jīng)典算法的聚類質(zhì)量。實驗結(jié)果表明，改進后的算法在時間、空間復雜度不變的情況下聚類質(zhì)量有了較顯著提高。 本文提出的新聚類算法以經(jīng)典聚類算法為其從屬算法并對其改進。為人們獲得高質(zhì)量聚類結(jié)果提供了新思路和新途徑，為準確地挖掘出數(shù)據(jù)集中隱含的模型和信息提供了保證。因此