基于模块度的模糊聚类算法研究

发布时间：2023-02-10 08:35

　　模块度可用于检测社区网络结构的强度,取值越大表明划分后同一社区内部关系越紧密,不同社区之间的关系越疏离,该特点与聚类的目标不谋而合。因此,近年来愈来愈多的聚类算法基于模块度进行设计,并取得了较好的聚类效果。然而,这些算法多属于硬聚类的范畴,受限于隶属度只能取0和1二值,聚类的准确率仍可进一步提高。此外,聚类分析过程结束后,聚类有效性检验是一个关键环节,常以有效性指标的取值衡量聚类算法性能以及准确率方面的优劣,已提出的有效性指标或判断结果不够准确,或鲁棒性较差。针对以上问题,本文基于模块度对模糊聚类算法展开研究,研究内容包括:(1)为了提高聚类算法的准确度,提出一种基于模块度最大化的模糊联合聚类算法MMFCC(Modularity Maximization based Fuzzy Co-Clustering)。该算法将模糊聚类思想应用于硬联合聚类算法CoClus(Co-Clustering)中,交替迭代计算对象和属性两个模糊隶属度矩阵,直至模块度值增大到稳定状态,产生最优的聚类结果,并以对角矩阵块的方式显示结果簇。本文使用稀疏真实数据集进行实验,从实验结果可看出,与其他对角联合聚类算法和...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 使用距离度量的模糊聚类方法
        1.2.2 模块度度量方法
        1.2.3 模糊聚类有效性验证方法
    1.3 论文的主要工作和创新点
    1.4 论文的组织结构
2 相关工作
    2.1 FCM算法
    2.2 模块度
        2.2.1 用于图聚类的模块度
        2.2.2 用于文本聚类的模块度
    2.3 Co Clus算法
    2.4 FCCM算法
    2.5 二分模块度
    2.6 WGLI指标
    2.7 本章小结
3 基于模块度最大化的模糊联合聚类算法
    3.1 引言
    3.2 基于模块度最大化的模糊联合聚类算法
    3.3 实验与分析
        3.3.1 数据集介绍
        3.3.2 评价标准
        3.3.3 实验结果
    3.4 本章小结
4 基于二分模块度的模糊聚类有效性指标
    4.1 引言
    4.2 模糊聚类有效性指标CSBM
        4.2.1 类内紧致性
        4.2.2 类间分离性
        4.2.3 CSBM指标
    4.3 实验与分析
        4.3.1 实验准备
        4.3.2 实验结果
    4.4 本章小结
5 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
作者简介
学位论文数据集



本文编号：3739368