基于熵与散度的半监督聚类算法研究

发布时间：2023-04-28 17:13

　　随着计算机技术的不断发展及其应用的深入,聚类分析成为了一种数据划分或分组处理的重要手段和方法.极大熵聚类算法作为一种模糊聚类算法,自推出以来,它一直在迅速发展.进一步地,在改进后的极大熵聚类算法基础上,引入基于成对约束的半监督聚类技术,提高聚类的准确度.对基于成对约束的半监督聚类技术的研究和改进,可以有效避免数据信息与资源的浪费,具有重要的研究意义和应用价值.现有成对约束半监督聚类算法(Cross Entropy semi-Supervised Clustering,CE-sSC)克服了极大熵聚类(Maximum Entropy Clustering,MEC)算法不能利用样本成对约束信息的缺点,但CE-sSC算法的惩罚项中各熵项之间相互干扰,不利于惩罚项系数的选择.为克服此问题,本文基于KL散度(Kullback-Leibler Divergence)提出了一类新的基于约束信息的半监督聚类算法(KL divergence semi-Supervised Clustering,KL-sSC),并把表示成对约束样本信息(外部信息)的相对熵项推广到了功效散度(Power Divergence...

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 研究意义
    1.4 本文主要内容和组织结构
第二章 模糊聚类、熵与散度的基本概念
    2.1 模糊聚类
    2.2 熵与散度
    2.3 经典的基于熵的模糊聚类算法
        2.3.1 极大熵聚类算法
        2.3.2 基于KL散度规则化的FCM聚类算法
    2.4 本章小结
第三章 半监督MEC算法研究
    3.1 半监督学习概念
        3.1.1 基于约束的半监督聚类算法
        3.1.2 基于类标签的半监督聚类算法
    3.2 基于成对约束的交叉熵半监督聚类算法
    3.3 本章小结
第四章 基于成对约束与散度的半监督聚类算法
    4.1 基于成对约束的KL散度的半监督聚类算法
        4.1.1 目标函数
        4.1.2 算法流程
    4.2 基于成对约束的功效散度半监督聚类算法
        4.2.1 目标函数
        4.2.2 算法流程
    4.3 算法复杂度分析
    4.4 实验设置与结果分析
        4.4.1 实验数据与评价准则
        4.4.2 实验设计
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表的学术论文
致谢



本文编号：3804124