基于模糊聚类的非监督学习研究

发布时间：2017-04-20 11:23

  本文关键词：基于模糊聚类的非监督学习研究，由笔耕文化传播整理发布。

【摘要】： 学习是人类智能的主要标志和获得智慧的基本手段，是人类具有的一种重要智能行为。在机器学习中，学习性能的好坏是衡量一个学习系统优劣最重要的指标。作为非监督学习方法的模糊聚类分析已成为机器学习研究的热点，为提高和改善机器学习性能提供了良好的理念支持与技术手段。研究模糊聚类算法对于提高和改善机器的学习性能具有重大的理论和现实意义。 在模糊聚类算法中，由于模糊C-均值聚类算法(Fuzzy C-mean Clustering Algorithm，FCM)计算简单，具有比较直观的几何意义，在许多领域获得了非常成功的应用。然而基于传统目标函数的FCM，采用迭代的爬山技术来寻找最优解，本质上是一种局部搜索算法。因而其存在着两大致命的问题：一是处理大数据量费时，二是对数据初始化敏感，容易陷入局部极小值。 对此，本论文运用实验和比较方法，着重从以下几个方面对FCM加以改进： 1、在提高FCM算法对大数据量的聚类速度方面，通过多次随机取样聚类与数据约减相结合，以减少FCM算法收敛所需的迭代次数与运算时间；为了提高FCM算法的聚类正确率，对模式分类作出不同贡献的各维特征进行加权选择，使得聚类结果更好。 2、由于FCM会陷入局部最优化，论文采用遗传算法加以解决。将遗传算法与FCM结合产生基于遗传算法的模糊C-均值聚类算法GFCM，充分发挥FCM的局部搜索和遗传算法的全局搜索能力，提高算法聚类正确率。 3、针对FCM对大数据量处理速度慢的缺点，运用神经网络技术改进模糊聚类算法。将自组织映射神经网络(Self-Organizing feature Map，SOM)与FCM结合，产生基于SOM的模糊C-均值聚类算法FKCN，利用SOM的并行计算，以提高聚类算法的速度和效果，实验结果表明算法有效。 通过对FCM算法的上述改进，以弥补其局限性，使得算法更具合理，从而减少聚类时间，提高聚类效果，以此提升非监督学习能力、效率与稳定性，，优化机器学习性能。
【关键词】：非监督学习 模糊聚类 FCM 遗传算法 神经网络
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：O29;G40-057
【目录】：

• 摘要5-6
• ABSTRACT6-7
• 第一章 绪论7-11
• 1.1 问题提出7-8
• 1.2 研究现状8-9
• 1.3 研究内容9
• 1.4 研究方法9-10
• 1.5 论文结构10-11
• 第二章 非监督学习与模糊聚类分析11-22
• 2.1 非监督学习11-13
• 2.1.1 非监督学习概念11-12
• 2.1.2 非监督学习的作用12
• 2.1.3 非监督学习方法分类12-13
• 2.2 聚类分析13-18
• 2.2.1 聚类分析的基本概念13-14
• 2.2.2 聚类分析的作用14-15
• 2.2.3 聚类算法的分类15-16
• 2.2.4 聚类算法的一般步骤16-17
• 2.2.5 聚类分析的研究方向17-18
• 2.3 模糊理论18-20
• 2.3.1 模糊数学概述18-19
• 2.3.2 模糊集合19
• 2.3.3 模糊关系19-20
• 2.4 模糊聚类分析20-22
• 2.4.1 模糊聚类的一般模型20-21
• 2.4.2 模糊聚类的研究现状21-22
• 第三章 模糊C-均值聚类算法及其改进22-35
• 3.1 基于目标函数的模糊聚类分析22-25
• 3.1.1 数据集的C划分22-23
• 3.1.2 聚类目标函数23-25
• 3.2 硬C-均值聚类算法25-26
• 3.3 模糊C-均值聚类算法26-29
• 3.3.1 FCM概述26-27
• 3.3.2 FCM算法实现步骤27-28
• 3.3.3 FCM算法的优缺点28-29
• 3.4 FCM的改进29-34
• 3.4.1 提高聚类速度29-32
• 3.4.2 提高聚类正确率32-34
• 3.5 小结34-35
• 第四章 基于遗传算法的FCM35-43
• 4.1 遗传算法概述35
• 4.2 遗传算法流程35-38
• 4.3 遗传算法的设计38-39
• 4.4 基于遗传算法的FCM39-42
• 4.4.1 编码39-40
• 4.4.2 初始化40
• 4.4.3 适应度函数的确定40
• 4.4.4 选择算子40-41
• 4.4.5 交叉算子41
• 4.4.6 变异算子41
• 4.4.7 GFCM的实现过程41
• 4.4.8 实验结果与说明41-42
• 4.5 小结42-43
• 第五章 模糊自组织映射神经网络聚类算法43-51
• 5.1 人工神经网络基础43-44
• 5.1.1 人工神经网络的发展43-44
• 5.1.2 人工神经网络的拓扑特性44
• 5.2 自组织特征映射神经网络44-48
• 5.2.1 竞争学习与侧抑制44-46
• 5.2.2 竞争学习原理46
• 5.2.3 自组织特征映射神经网络46-48
• 5.3 模糊自组织神经网络聚类算法48-50
• 5.3.1 自组织映射神经网络聚类算法的弱点48-49
• 5.3.2 模糊自组织映射神经网络聚类算法49-50
• 5.3.3 实验及结果分析50
• 5.4 小结50-51
• 第六章 结束语51-52
• 6.1 文本的主要工作51
• 6.2 进一步的研究51-52
• 参考文献52-54
• 附录 IRIS数据集54-56
• 致谢56

【相似文献】

中国期刊全文数据库 前10条

1 肖尚斌;;渤海湾盆地第三纪的岩浆旋回[J];地质论评;1999年S1期

2 张正方;王强;王传贝;白希;唐军;;车前草的裂解色谱指纹图谱及聚类分析[J];新疆大学学报(自然科学版);2011年02期

3 邓德胜;李怀龙;陈德良;;湖南旅游地的模糊聚类分析[J];系统工程;2011年06期

4 黄令勇;宋力杰;刘先冬;;基于自适应聚类算法的GPS三频载波相位组合观测值优化选取[J];大地测量与地球动力学;2011年04期

5 谭庆;何清;赵卫中;史忠植;;基于进化规划的FCMBP模糊聚类改进方法[J];系统工程理论与实践;2011年07期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 李春晓;兰培真;刘晓佳;;基于模糊聚类分析的海上交通事故原因的评价研究[A];中国航海科技优秀论文集（2010）[C];2010年

2 谌炎辉;周德俭;;基于模糊聚类分析的产品模块划分方法[A];2011年机械电子学学术会议论文集[C];2011年

3 罗能辉;夏慧萍;;模糊聚类分析在三叶虫纲的目和亚目的分类中的应用[A];中国系统工程学会模糊数学与模糊系统委员会第十一届年会论文选集[C];2002年

4 郭珉;黄景文;吴高艺;;区域生态农业经济模糊聚类分析与区划[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年

5 陆余楚;庞华英;;疾病并发风险研究中的模糊数学方法——模糊聚类分析[A];模糊集理论与模糊应用专辑——中国系统工程学会模糊数学与模糊系统委员会第十届年会论文选集[C];2000年

6 刘健;;模糊聚类分析在雷达目标互联处理中的应用[A];中国中南地区模糊数学与系统分会第二届年会论文集[C];1993年

7 孙启放;孙立曼;杨明;符涛;王文莉;李懿;汤美健;;应用计算机模糊聚类分析中药学科的前沿结构[A];中国中医药信息研究会第二届理事大会暨学术交流会议论文汇编[C];2003年

8 阮晓钢;;一种改进的径向基神经元网络[A];1999年中国智能自动化学术会议论文集（上册）[C];1999年

9 赵大泉;项伟宏;刘大成;李志忠;郑力;;模糊聚类分析方法在机床热敏感点辨识中的应用[A];面向21世纪的生产工程——2001年“面向21世纪的生产工程”学术会议暨企业生产工程与产品创新专题研讨会论文集[C];2001年

10 袁忠林;罗兰;刘元烨;孟昭礼;江崇焕;彭正云;;崂山茶园黑刺粉虱种群动态的模糊聚类分析[A];粮食安全与植保科技创新[C];2009年

中国重要报纸全文数据库 前2条

1 吕斌;消除亚健康重在“调整”而非“补”[N];大众卫生报;2004年

2 通讯员　 朱瑞新 记者　 朱振国;我国重视民航安全信息工作[N];光明日报;2006年

中国博士学位论文全文数据库 前10条

1 张爱华;基于模糊聚类分析的图像分割技术研究[D];华中科技大学;2004年

2 李洁;基于自然计算的模糊聚类新算法研究[D];西安电子科技大学;2004年

3 李春花;基于支持向量机的数字水印技术研究[D];华中科技大学;2006年

4 刘秀花;中国西北地区再造山川秀美综合区划研究[D];长安大学;2006年

5 王庆;知识型企业知识员工任务指派及调度决策问题研究[D];天津大学;2006年

6 武志峰;差异演化算法及其应用研究[D];北京交通大学;2009年

7 陈桂芬;面向精准农业的空间数据挖掘技术研究与应用[D];吉林大学;2009年

8 李启会;高炉冶炼过程的模糊辨识、预测及控制[D];浙江大学;2005年

9 李彦鹏;自动目标识别效果评估[D];国防科学技术大学;2004年

10 林琳;基于模糊聚类与遗传算法的说话人识别理论研究及应用[D];吉林大学;2007年

中国硕士学位论文全文数据库 前10条

1 陈松生;基于模糊聚类的非监督学习研究[D];南京师范大学;2007年

2 饶志刚;模糊聚类分析方法在船舶分段装配中的应用[D];武汉理工大学;2006年

3 黄晓伟;大型高新技术产品进口中的定价方法研究[D];哈尔滨工业大学;2006年

4 朱晓兰;模糊聚类法在物流园区网络布局中的应用[D];上海交通大学;2007年

5 郭建伟;基于物流港口企业业务流程战略转型的岗位优化设置研究[D];武汉科技大学;2011年

6 单缅;数据挖掘中模糊聚类分析的研究及其应用[D];吉林大学;2005年

7 郑立伟;基于成组技术的质量控制方法与工具研究[D];天津大学;2004年

8 王建楠;基于模糊聚类分析的电器故障诊断技术[D];河北工业大学;2006年

9 周景阳;基于工程量清单计价模式的工程造价控制方法研究[D];西安建筑科技大学;2006年

10 解科峰;逆向工程技术的相关理论及工程应用研究[D];合肥工业大学;2007年

  本文关键词：基于模糊聚类的非监督学习研究，由笔耕文化传播整理发布。

本文编号：318586