基于多有效性指标的类簇数自动确定方法

发布时间：2021-10-31 23:36

　　聚类分析是一种重要的无监督学习方式,被广泛地应用于交通、金融、农业和医疗等实际领域中。但在聚类分析中,类簇数的确定问题一直都是一个难题。传统的引入聚类有效性指标的方法不仅具有倾向性,而且大都是基于二支划分的,如何在刻画数据对象与类簇之间的不确定性关系的基础上从多个角度确定最优类簇数依旧是一个问题。因此,论文展开了基于多有效性指标的类簇数自动确定方法的研究工作。为了能够从多个角度探索数据集的类簇数目,论文提出了基于加权内部有效性指标的类簇数自动确定方法。首先,基于三支决策思想,论文对k-means算法做三支改进,迭代运行三支k-means算法,生成不同k值的三支聚类结果。三支k-means算法的每个类由核心域、边缘域和琐碎域三个域表示。然后,基于已有的多个有效性指标构建多指标评价体系,从不同角度评估不同k值的聚类结果的质量。最后,根据制定的寻优策略选取最优类簇数。相对于融合前的单一有效性指标,论文验证了该算法在Vowel、Waveform、Wine等多个UCI真实数据集上的有效性。为了进一步提高算法性能,尽可能地利用现有的有效性指标,论文借鉴聚类集成研究中的中心划分法的思想,将每一种k值... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 三支聚类
        1.2.2 自动聚类方法
    1.3 论文主要工作
    1.4 论文组织结构
第2章 相关基础理论
    2.1 三支决策聚类
        2.1.1 三支决策
        2.1.2 三支聚类
    2.2 聚类算法
        2.2.1 k-means算法
        2.2.2 k-medoids算法
    2.3 聚类有效性指标
        2.3.1 内部有效性指标
        2.3.2 外部有效性指标
    2.4 基于中心划分的一致性函数
    2.5 本章小结
第3章 基于加权内部有效性指标的类簇数自动确定方法
    3.1 模型框架
    3.2 基于三支决策的k-means算法
    3.3 评价体系
    3.4 加权方法
    3.5 最优类簇数选择
    3.6 实验分析
    3.7 本章小结
第4章 基于两类有效性指标的类簇数自动确定方法
    4.1 模型框架
    4.2 基于三支决策的k-medoids算法
    4.3 评价体系
        4.3.1 构建原理
        4.3.2 内部有效性指标
        4.3.3 外部有效性指标
    4.4 最优类簇数选择策略
        4.4.1 评价结果排序
        4.4.2 最优类簇数选择
    4.5 实验分析
        4.5.1 本文两种算法对比实验
        4.5.2 本章算法与其他方法的对比实验
    4.6 葡萄酒品质鉴定分析讨论
        4.6.1 问题描述
        4.6.2 鉴定过程
    4.7 本章小结
第5章 总结与展望
    5.1 总结
    5.2 未来工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]负载敏感的云任务三支聚类评分调度研究[J]. 吴俊伟,姜春茂.  智能系统学报. 2019(02)
[2]基于Spark的三支聚类集成方法[J]. 于洪,陈云.  郑州大学学报(理学版). 2018(01)
[3]一种基于投票的三支决策聚类集成方法[J]. 胡凌超,于洪.  小型微型计算机系统. 2016(08)
[4]基于k-means的自动三支决策聚类方法[J]. 于洪,毛传凯.  计算机应用. 2016(08)
[5]基于决策加权的聚类集成算法[J]. 黄栋,王昌栋,赖剑煌,梁云,边山,陈羽.  智能系统学报. 2016(03)
[6]聚类有效性研究综述[J]. 周开乐,杨善林,丁帅,罗贺.  系统工程理论与实践. 2014(09)
[7]大数据时代的机遇与挑战[J]. 邬贺铨.  求是. 2013(04)
[8]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)

硕士论文
[1]基于k-means的自动三支决策聚类方法[D]. 毛传凯.重庆邮电大学 2016
[2]面向高维数据的动态随机投影三支聚类方法研究[D]. 张海波.重庆邮电大学 2017



本文编号：3469083