基于边缘距离约束的深度聚类方法研究

发布时间：2021-05-19 13:23

　　作为一种应用广泛的非监督学习任务,聚类任务一直是热点研究问题。传统方法已经取得了不错的成绩,然而其在面对大规模高维数据时却力有不足。受到深度学习在分类问题中取得显著成绩的启发,基于深度神经网络的聚类算法不断被提出,也取得了不错的成效。然而,目前的深度聚类算法仍不能做到既关注到特征的簇内簇间距离,又能够进行端到端训练和推理,并不能完全发挥出深度聚类算法应有的聚类效果。针对上述问题,本文提出了两种基于边缘距离约束的深度聚类算法:基于欧式距离度量的强区分性深度聚类算法和基于余弦距离度量的强区分性深度聚类算法。实验结果表明,两种方法在大规模高维数据的聚类问题中均能取得不错的效果,并且是单步骤的端到端算法。针对现有的深度聚类算法难以学习到簇间差异性较大的特征表示这一问题,本文首先提出了基于欧式距离度量的强区分性深度聚类算法。该方法通过增大不同簇的特征表示之间的欧式距离来提高簇间的差异性。具体而言,如果两个数据属于不同的簇,就增大其特征之间的欧式距离,令其大于一个距离约束因子。此外,考虑到中间聚类结果的不可靠性,将中间概率作为权重系数,以关注具有高置信度的数据。针对上述算法存在依赖数据挖掘策略和增... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 聚类方法研究现状
        1.2.2 区分力损失函数研究现状
    1.3 本文工作
        1.3.1 基于欧式距离度量的深度聚类算法
        1.3.2 基于余弦距离度量的深度聚类算法
    1.4 本文的组织结构
第二章 相关研究
    2.1 聚类问题概述
    2.2 现有的聚类算法
        2.2.1 传统的聚类算法
        2.2.2 基于深度神经网络的聚类算法
    2.3 现有的增加特征区分度的损失函数
        2.3.1 具有强区分性的度量损失函数
        2.3.2 具有强区分性的分类损失函数
    2.4 本章小结
第三章 基于欧式距离度量的深度聚类算法
    3.1 基于欧式距离度量的损失函数
        3.1.1 聚类损失
        3.1.2 重构损失
        3.1.3 区分力损失
    3.2 网络结构设计
    3.3 实验与分析
        3.3.1 进行对比的算法
        3.3.2 实验所用数据集
        3.3.3 度量标准
        3.3.4 实验细节
        3.3.5 实验结果
    3.4 本章小结
第四章 基于余弦距离度量的深度聚类算法
    4.1 基于余弦距离度量的损失函数
        4.1.1 相关基础知识
        4.1.2 损失函数定义
    4.2 网络结构设计
    4.3 实验与分析
        4.3.1 实验细节
        4.3.2 实验结果
    4.4 本章小结
第五章 总结和展望
    5.1 工作总结
    5.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3195841