基于随机特征的多核分布式协同模糊聚类算法研究
发布时间：2022-08-06 20:31
近些年,云计算、物联网、大数据等技术的快速发展,推动了新型点对点分布式网络的应用,点对点分布式网络数据中隐含大量对预测或是决策有益的信息。本论文的研究目的是实现一种能够对点对点分布式网络中数据进行有效分析的聚类算法。论文设计实现了四种基于随机特征的集中式核模糊聚类算法,一种基于随机特征的多核分布式协同模糊聚类算法。（1）首先,本文设计了一种基于随机特征的单核模糊聚类算法,该算法使用随机特征方法近似核函数,在随机特征空间中进行模糊聚类。实验测试中,该算法得到了与传统核聚类算法相近的聚类结果,但是计算复杂度远远低于传统核聚类算法。此外,在此部分测试中,本文比较了两种不同的随机特征方法,测试结果说明准蒙特卡洛特征可以比随机傅里叶特征更好的近似核函数。（2）考虑到随机特征空间中的不同维度对聚类结果的重要性可能不同,本文设计了基于随机特征的单核属性加权模糊聚类算法。该算法将原始数据映射到随机特征空间后,为随机特征空间中的每个维度赋予权重,并使用最大熵正则化方法在聚类过程中自动的优化权重分布。实验测试的结果说明,该算法可以有效的发现随机特征空间中的重要维度,为重要维度赋予较大的权重,使其在类的形成...
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 引言
1.1 本文的理论意义和实用价值
1.1.1 理论意义
1.1.2 实用价值
1.2 研究方法
1.2.1 理论分析
1.2.2 前人工作的不足
1.2.3 研究方案与研究步骤
1.2.4 实验设计
1.2.4.1 测试数据集
1.2.4.2 聚类结果评价指标
1.3 研究成果
第二章 相关算法介绍
2.1 基于划分的聚类算法介绍
2.1.1 硬聚类算法与模糊聚类算法
2.1.1.1 硬聚类算法
2.1.1.2 模糊聚类算法
2.1.1.3 K-means算法与FCM算法的比较
2.1.2 基于原始数据空间的聚类算法与基于核空间的聚类算法
2.1.2.1 基于原始数据空间的聚类算法
2.1.2.2 核聚类算法
2.1.2.3 FCM算法与KFCM-k算法的对比
2.1.3 集中式聚类算法与分布式聚类算法
2.1.3.1 集中式聚类算法
2.1.3.2 分布式聚类facilitator-worker结构
2.1.3.3 分布式聚类P2P结构
2.2 随机特征方法
2.2.1 随机傅里叶特征RFF
2.2.2 准蒙特卡洛特征QMCF
2.2.3 随机特征方法与传统核方法的比较
2.3 最大熵正则化方法
2.3.1 熵的定义与性质
2.3.2 基于最大熵方法的属性加权模糊聚类EWFCM
2.3.3 基于最大熵方法的多核模糊聚类MEMKFCM-k
第三章 基于随机特征的单核模糊聚类算法研究
3.1 基于随机特征的单核模糊聚类算法RF-FCM
3.1.1 算法的原理
3.1.2 算法的目标函数及更新公式
3.1.3 算法的流程
3.1.4 算法时间复杂度分析
3.1.5 算法测试
3.1.6 小结
3.2 基于随机特征的单核属性加权模糊聚类算法RF-EWFCM
3.2.1 算法原理
3.2.2 算法目标函数及更新公式
3.2.3 算法流程
3.2.4 算法时间复杂度分析
3.2.5 算法测试
3.2.6 小结
第四章 基于随机特征的多核模糊聚类算法
4.1 基于随机特征的多核核加权模糊聚类算法MK-FCM
4.1.1 算法原理
4.1.2 算法目标函数及更新公式
4.1.3 算法流程
4.1.4 算法时间复杂度分析
4.1.5 算法测试
4.1.6 小结
4.2 基于随机特征的多核属性加权模糊聚类算法RF-MKFCM
4.2.1 算法原理
4.2.2 算法目标函数及更新公式
4.2.3 算法流程
4.2.4 算法时间复杂度分析
4.2.5 算法测试
4.2.6 小结
第五章 基于随机特征的多核分布式协同模糊聚类算法RF-CDMKFCM
5.1 算法原理
5.2 算法目标函数及更新公式
5.3 算法流程
5.4 一致性证明
5.5 算法时间复杂度分析
5.6 算法测试
5.7 小结
第六章 结论与展望
参考文献
致谢
附录
本文编号：3670319
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 引言
1.1 本文的理论意义和实用价值
1.1.1 理论意义
1.1.2 实用价值
1.2 研究方法
1.2.1 理论分析
1.2.2 前人工作的不足
1.2.3 研究方案与研究步骤
1.2.4 实验设计
1.2.4.1 测试数据集
1.2.4.2 聚类结果评价指标
1.3 研究成果
第二章 相关算法介绍
2.1 基于划分的聚类算法介绍
2.1.1 硬聚类算法与模糊聚类算法
2.1.1.1 硬聚类算法
2.1.1.2 模糊聚类算法
2.1.1.3 K-means算法与FCM算法的比较
2.1.2 基于原始数据空间的聚类算法与基于核空间的聚类算法
2.1.2.1 基于原始数据空间的聚类算法
2.1.2.2 核聚类算法
2.1.2.3 FCM算法与KFCM-k算法的对比
2.1.3 集中式聚类算法与分布式聚类算法
2.1.3.1 集中式聚类算法
2.1.3.2 分布式聚类facilitator-worker结构
2.1.3.3 分布式聚类P2P结构
2.2 随机特征方法
2.2.1 随机傅里叶特征RFF
2.2.2 准蒙特卡洛特征QMCF
2.2.3 随机特征方法与传统核方法的比较
2.3 最大熵正则化方法
2.3.1 熵的定义与性质
2.3.2 基于最大熵方法的属性加权模糊聚类EWFCM
2.3.3 基于最大熵方法的多核模糊聚类MEMKFCM-k
第三章 基于随机特征的单核模糊聚类算法研究
3.1 基于随机特征的单核模糊聚类算法RF-FCM
3.1.1 算法的原理
3.1.2 算法的目标函数及更新公式
3.1.3 算法的流程
3.1.4 算法时间复杂度分析
3.1.5 算法测试
3.1.6 小结
3.2 基于随机特征的单核属性加权模糊聚类算法RF-EWFCM
3.2.1 算法原理
3.2.2 算法目标函数及更新公式
3.2.3 算法流程
3.2.4 算法时间复杂度分析
3.2.5 算法测试
3.2.6 小结
第四章 基于随机特征的多核模糊聚类算法
4.1 基于随机特征的多核核加权模糊聚类算法MK-FCM
4.1.1 算法原理
4.1.2 算法目标函数及更新公式
4.1.3 算法流程
4.1.4 算法时间复杂度分析
4.1.5 算法测试
4.1.6 小结
4.2 基于随机特征的多核属性加权模糊聚类算法RF-MKFCM
4.2.1 算法原理
4.2.2 算法目标函数及更新公式
4.2.3 算法流程
4.2.4 算法时间复杂度分析
4.2.5 算法测试
4.2.6 小结
第五章 基于随机特征的多核分布式协同模糊聚类算法RF-CDMKFCM
5.1 算法原理
5.2 算法目标函数及更新公式
5.3 算法流程
5.4 一致性证明
5.5 算法时间复杂度分析
5.6 算法测试
5.7 小结
第六章 结论与展望
参考文献
致谢
附录
本文编号：3670319
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3670319.html
