基于密度峰值的复杂任务多粒度分解求解机制研究
发布时间：2021-07-18 13:41
大数据智能挖掘分析是当前大数据挖掘研究和应用发展的重要方向,问题任务的复杂性是其中的关键挑战,探索复杂任务的分解求解具有重要意义。目前,复杂任务求解方法（如专家式分解、按类别分解、自动分解等）主要是基于监督式或半监督式,任务分解求解前需要大量的学习过程。然而,在现实场景下,用于学习的大量先验知识有时难以获取。所以,本文模拟人类思考问题时的多粒度观察和分析的思维,采用密度峰值聚类的信息粒化策略,探索多粒度分解求解机制在实际复杂问题中的应用效果。本文主要贡献如下:1、提出一种基于密度峰值的复杂网络多粒度分解求解方法,该方法主要探索基于密度峰值的多粒度分解机制在复杂网络下解决社区发现问题的效果。首先,本文采用密度峰值聚类算法生成任务求解的全局任务引导树,通过定义相似度度量公式和相似度阈值来判断子任务集能否从全局任务中分解。其次,在复杂网络的多粒度社区发现任务求解模型中,采用基于密度峰值的复杂任务分解算法,得到最粗粒度任务求解空间,结合定义的粒化规则,使最粗问题求解空间由粗到细进行粒化,形成社交网络的多粒度问题求解空间;最后,通过实验对比证明了本方法能快速自动地发现社交网络中社区结构的层次关系...
【文章来源】：重庆邮电大学重庆市
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
概念的上、下近似集
图 2.3 数据集二维散点图 图 2.4 对应的决策图DPC 算法的详细操作如下：算法 2.1 密度峰值快速聚类算法[29]输 入: 数据集，数据点的距离矩阵 D输 出: 形成的聚簇数量 M ，聚类结果Ck(k = 1, 2,..., M )① 读入数据点的距离矩阵 D；② 初始化截断距离(dc)；③ 通过公式 2.5 和 2.6 计算数据点的局部密度ρ和相对距离δ；④ 生成决策图，从决策图中人工确定可能的数据中心点；⑤ 根据非聚类中心的密度吸引点归类非聚类中心数据。在 DPC 算法的计算过程中，我们需要注意的是 DPC 将数据点的距离入，对于密度峰值聚类算法本身的算法复杂度而言规避了计算距离矩
图 2.3 数据集二维散点图 图 2.4 对应的决策图DPC 算法的详细操作如下：算法 2.1 密度峰值快速聚类算法[29]输 入: 数据集，数据点的距离矩阵 D输 出: 形成的聚簇数量 M ，聚类结果Ck(k = 1, 2,..., M )① 读入数据点的距离矩阵 D；② 初始化截断距离(dc)；③ 通过公式 2.5 和 2.6 计算数据点的局部密度ρ和相对距离δ；④ 生成决策图，从决策图中人工确定可能的数据中心点；⑤ 根据非聚类中心的密度吸引点归类非聚类中心数据。在 DPC 算法的计算过程中，我们需要注意的是 DPC 将数据点的距离入，对于密度峰值聚类算法本身的算法复杂度而言规避了计算距离矩
【参考文献】：
期刊论文
[1]基于云模型和空间信息的多粒度彩色图像分割[J]. 何菲菲,王国胤,刘旋. 小型微型计算机系统. 2016(08)
[2]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi. Chinese Journal of Electronics. 2016(03)
[3]一种基于密度峰值发现的文本聚类算法[J]. 刘颖莹,刘培玉,王智昊,李情情,朱振方. 山东大学学报(理学版). 2016(01)
[4]基于密度峰值搜索的全极化SAR图像分类[J]. 何伟,邢孟道. 系统工程与电子技术. 2016(01)
[5]云模型及应用综述[J]. 叶琼,李绍稳,张友华,疏兴旺,倪冬平. 计算机工程与设计. 2011(12)
[6]粗糙集理论与应用研究综述[J]. 王国胤,姚一豫,于洪. 计算机学报. 2009(07)
[7]粒计算研究综述[J]. 王国胤,张清华,胡军. 智能系统学报. 2007(06)
[8]基于商空间理论的模糊粒度计算方法[J]. 徐峰,张铃,王伦文. 模式识别与人工智能. 2004(04)
[9]粗糙集知识发现的研究现状和展望[J]. 安海忠,郑链,王广祥. 计算机测量与控制. 2003(02)
[10]隶属云和隶属云发生器[J]. 李德毅,孟海军,史雪梅. 计算机研究与发展. 1995(06)
本文编号：3289686
【文章来源】：重庆邮电大学重庆市
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
概念的上、下近似集
图 2.3 数据集二维散点图 图 2.4 对应的决策图DPC 算法的详细操作如下：算法 2.1 密度峰值快速聚类算法[29]输 入: 数据集，数据点的距离矩阵 D输 出: 形成的聚簇数量 M ，聚类结果Ck(k = 1, 2,..., M )① 读入数据点的距离矩阵 D；② 初始化截断距离(dc)；③ 通过公式 2.5 和 2.6 计算数据点的局部密度ρ和相对距离δ；④ 生成决策图，从决策图中人工确定可能的数据中心点；⑤ 根据非聚类中心的密度吸引点归类非聚类中心数据。在 DPC 算法的计算过程中，我们需要注意的是 DPC 将数据点的距离入，对于密度峰值聚类算法本身的算法复杂度而言规避了计算距离矩
图 2.3 数据集二维散点图 图 2.4 对应的决策图DPC 算法的详细操作如下：算法 2.1 密度峰值快速聚类算法[29]输 入: 数据集，数据点的距离矩阵 D输 出: 形成的聚簇数量 M ，聚类结果Ck(k = 1, 2,..., M )① 读入数据点的距离矩阵 D；② 初始化截断距离(dc)；③ 通过公式 2.5 和 2.6 计算数据点的局部密度ρ和相对距离δ；④ 生成决策图，从决策图中人工确定可能的数据中心点；⑤ 根据非聚类中心的密度吸引点归类非聚类中心数据。在 DPC 算法的计算过程中，我们需要注意的是 DPC 将数据点的距离入，对于密度峰值聚类算法本身的算法复杂度而言规避了计算距离矩
【参考文献】：
期刊论文
[1]基于云模型和空间信息的多粒度彩色图像分割[J]. 何菲菲,王国胤,刘旋. 小型微型计算机系统. 2016(08)
[2]Clustering by Fast Search and Find of Density Peaks with Data Field[J]. WANG Shuliang,WANG Dakui,LI Caoyuan,LI Yan,DING Gangyi. Chinese Journal of Electronics. 2016(03)
[3]一种基于密度峰值发现的文本聚类算法[J]. 刘颖莹,刘培玉,王智昊,李情情,朱振方. 山东大学学报(理学版). 2016(01)
[4]基于密度峰值搜索的全极化SAR图像分类[J]. 何伟,邢孟道. 系统工程与电子技术. 2016(01)
[5]云模型及应用综述[J]. 叶琼,李绍稳,张友华,疏兴旺,倪冬平. 计算机工程与设计. 2011(12)
[6]粗糙集理论与应用研究综述[J]. 王国胤,姚一豫,于洪. 计算机学报. 2009(07)
[7]粒计算研究综述[J]. 王国胤,张清华,胡军. 智能系统学报. 2007(06)
[8]基于商空间理论的模糊粒度计算方法[J]. 徐峰,张铃,王伦文. 模式识别与人工智能. 2004(04)
[9]粗糙集知识发现的研究现状和展望[J]. 安海忠,郑链,王广祥. 计算机测量与控制. 2003(02)
[10]隶属云和隶属云发生器[J]. 李德毅,孟海军,史雪梅. 计算机研究与发展. 1995(06)
本文编号：3289686
本文链接：https://www.wllwen.com/kejilunwen/yysx/3289686.html
