基于多源特征的可能模糊共聚类方法研究
发布时间：2021-05-07 22:35
随着数据的增长和数据处理系统的不断改进,我们对开发强大而有效的数据处理和数据挖掘算法提出了更多要求,聚类算法作为数据挖掘的基本工具被广泛应用.在实际的聚类问题中,常常会因为特征集的提取不当以及异常值的干扰而对聚类结果产生较大影响.其中特征集提取面临着以下两大问题:首先,从样本中提取出的特征为聚类提供了较少的信息,即特征的虚弱性;其次,特征向量通常具有高维多源的性质,导致特征空间中的簇有着复杂的结构.异常值的干扰是令很多已提出的聚类算法头痛的问题,有限的异常值可能造成数据点划分的不精确或者完全错误.本文分别基于精确数据和不精确数据对聚类面临的这两大问题进行研究.首先,针对精确数据集,本文提出了多任务可能模糊共聚类算法（MPFC）.该算法首先考虑到特征空间的结构差异,通过衡量不同特征源对各个簇类的贡献度对特征源进行合理分配.随后算法利用任务之间的信息共享,从不同方面挖掘数据特征所携带的信息,提高有效信息的利用率.最后,为了降低异常值对聚类结果的干扰,增加算法的鲁棒性,该算法利用了典型度的性质来识别异常值,并在聚类过程中弱化其影响力.同时,为了避免簇心受典型度的影响而导致重合,本文提出了新的...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 本文研究背景
1.1.1 数据挖掘研究背景
1.1.2 多任务学习研究背景
1.1.3 特征提取研究背景
1.1.4 异常值处理研究背景
1.2 数据聚类的研究现状
1.2.1 多任务聚类国内外研究现状
1.2.2 特征提取的研究现状
1.2.3 异常值处理的研究现状
1.3 本文的研究方法与意义
1.3.1 研究方法
1.3.2 研究意义
1.4 研究主要内容和结构安排
1.4.1 本文主要内容
1.4.2 本文结构安排
第二章 聚类的基本概念与算法应用
2.1 聚类基本概述
2.1.1 单任务聚类概述
2.1.2 多任务聚类概述
2.2 典型的处理特征提取问题的聚类算法
2.2.1 协同聚类算法
2.2.2 共聚类算法
2.2.3 多任务聚类算法
2.3 常用的处理异常值干扰问题的聚类方法
2.3.1 可能性聚类
2.3.2 可能模糊聚类
2.4 本章小结
第三章 基于多源特征的多任务可能模糊共聚类算法
3.1 算法
3.1.1 算法基础和符号
3.1.2 算法框架
3.1.3 处理优化问题
3.1.4 MPFC的伪代码
3.2 构建MPFC的参数选择指标
3.2.1 构建REC_(MPFC)指标
3.2.2 k, a, b, ξ, η 和f的选择
3.3 实验结果
3.3.1 基于多源特征的单任务聚类
3.3.2 基于多源特征的多任务聚类
3.3.3 参数选择对MPFC的影响
3.4 本章小结
第四章 用于处理非精确数据的MFC-F和MPFC-F算法
4.1 模糊数据
4.1.1 模糊数据的定义
4.1.2 模糊数的不相似性度量
4.1.3 模糊数据中的异常值
4.2 用于处理模糊数据的具有多源特征的多任务模糊共聚类算法
4.2.1 MFC算法
4.2.2 MFC-F算法框架
4.2.3 MFC-F算法的优化问题
4.2.4 MFC-F的伪代码
4.2.5 MFC-F参数的选择
4.3 用于处理模糊数据的具有多源特征的多任务可能模糊共聚类算法
4.3.1 MPFC-F算法框架
4.3.2 MPFC-F算法的优化问题
4.3.3 MPFC-F的伪代码
4.3.4 MPFC-F算法的参数选择
4.4 实验结果
4.4.1 模拟数据处理
4.4.2 真实数据处理
4.4.3 参数选择对MFC-F的影响
4.5 本章小结
第五章 本文总结及展望
5.1 本文总结
5.2 本文展望
参考文献
致谢
作者简介
本文编号：3174166
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 本文研究背景
1.1.1 数据挖掘研究背景
1.1.2 多任务学习研究背景
1.1.3 特征提取研究背景
1.1.4 异常值处理研究背景
1.2 数据聚类的研究现状
1.2.1 多任务聚类国内外研究现状
1.2.2 特征提取的研究现状
1.2.3 异常值处理的研究现状
1.3 本文的研究方法与意义
1.3.1 研究方法
1.3.2 研究意义
1.4 研究主要内容和结构安排
1.4.1 本文主要内容
1.4.2 本文结构安排
第二章 聚类的基本概念与算法应用
2.1 聚类基本概述
2.1.1 单任务聚类概述
2.1.2 多任务聚类概述
2.2 典型的处理特征提取问题的聚类算法
2.2.1 协同聚类算法
2.2.2 共聚类算法
2.2.3 多任务聚类算法
2.3 常用的处理异常值干扰问题的聚类方法
2.3.1 可能性聚类
2.3.2 可能模糊聚类
2.4 本章小结
第三章 基于多源特征的多任务可能模糊共聚类算法
3.1 算法
3.1.1 算法基础和符号
3.1.2 算法框架
3.1.3 处理优化问题
3.1.4 MPFC的伪代码
3.2 构建MPFC的参数选择指标
3.2.1 构建REC_(MPFC)指标
3.2.2 k, a, b, ξ, η 和f的选择
3.3 实验结果
3.3.1 基于多源特征的单任务聚类
3.3.2 基于多源特征的多任务聚类
3.3.3 参数选择对MPFC的影响
3.4 本章小结
第四章 用于处理非精确数据的MFC-F和MPFC-F算法
4.1 模糊数据
4.1.1 模糊数据的定义
4.1.2 模糊数的不相似性度量
4.1.3 模糊数据中的异常值
4.2 用于处理模糊数据的具有多源特征的多任务模糊共聚类算法
4.2.1 MFC算法
4.2.2 MFC-F算法框架
4.2.3 MFC-F算法的优化问题
4.2.4 MFC-F的伪代码
4.2.5 MFC-F参数的选择
4.3 用于处理模糊数据的具有多源特征的多任务可能模糊共聚类算法
4.3.1 MPFC-F算法框架
4.3.2 MPFC-F算法的优化问题
4.3.3 MPFC-F的伪代码
4.3.4 MPFC-F算法的参数选择
4.4 实验结果
4.4.1 模拟数据处理
4.4.2 真实数据处理
4.4.3 参数选择对MFC-F的影响
4.5 本章小结
第五章 本文总结及展望
5.1 本文总结
5.2 本文展望
参考文献
致谢
作者简介
本文编号：3174166
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3174166.html
