视点驱动的模糊核聚类算法研究

发布时间：2021-05-20 02:49

　　在大数据时代,存储了大量可用数据进行分析以获得有用的信息,但是数据比较混乱,研究人员需要对某些数据进行分类和分区才能得到相似的数据。这一处理过程被称为聚类。聚类就是按照某个特定标准将数据归类,由此形成的数据集被称为簇或者类。聚类的目标是使不同类的数据之间差异尽可能大,而同一个类中的数据差异尽可能小。在一般情况下,需要通过某种度量方式来计算不同数据之间的相似程度,比如欧式距离,马氏距离以及余弦距离等。很多领域中都会涉及到聚类问题。从目前的种种状况可以看出,随着社会的不同领域的信息化程度的不断深入和智能化技术的大规模运用,聚类分析作为一种可靠的分析技术在在数据挖掘,机器学习等多个领域都得到了广泛的使用。各种聚类方法也被不断提出,这些方法各有优缺点并被应用于不同类型的数据。现阶段,聚类方法的对比分析是业内的一个重要研究课题,在此基础上可以明确得到其相应的聚类效果。其中,对于模糊聚类算法的研究就是一个重要的分支。以目前已有的模糊聚类算法的状况来看,由于种种因素,聚类的效果并不尽如人意。比如说,对于聚类中心的选择通常的做法是随机的方式进行初始化,这样做的结果就是聚类的结果非常不稳定,不确定。另外... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 聚类分析的背景与含义
    1.2 聚类的框架
    1.3 聚类分析的流程
        1.3.1 特征的选择或变换
        1.3.2 聚类算法的选择
        1.3.3 聚类结果的评价
    1.4 聚类算法的现状
    1.5 问题的提出
    1.6 本文的工作
    1.7 本文的组织结构
第二章 模糊聚类概述
    2.1 模糊聚类的发展
    2.2 主要模糊聚类算法介绍
        2.2.1 FCM算法
        2.2.2 KFCM算法
        2.2.3 V-FCM算法
        2.2.4 RLM算法
        2.2.5 EWFCM算法
        2.2.6 DVPFCM算法
        2.2.7 算法存在的问题
    2.3 本章小结
第三章 视点驱动的特征加权模糊聚类算法
    3.1 KHDCCI聚类中心初始化方法
    3.2 DVWEKFCM算法
    3.3 .实验
        3.3.1 在人工数据集上的实验
        3.3.2 在UCI数据集上的实验
        3.3.3 算法的时间复杂度
        3.3.4 算法的迭代次数和运行时间
        3.3.5 DVWEKFCM算法用于人脸聚类
    3.4 讨论
    3.5 本章小结
第四章 多视图加权核模糊聚类算法
    4.1 多视图聚类问题背景
    4.2 非负矩阵分解(NMF)
    4.3 从多视图中提取共享隐藏信息
    4.4 MV-CO-KFCM算法
    4.5 实验
    4.6 本章小结
第五章 总结及展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3196935