面向聚类分析的新型弹性网络算法研究

发布时间：2024-01-21 14:35

　　在信息时代里,人类需要在非常大量的信息中挖掘潜在信息,其中聚类分析是重要的手段之一。在数据挖掘领域中,聚类分析是很重要的一块内容。由于技术的发展,需要处理的数据的数量增长快速,维度相比从前也增加很多,数据的结构类型变得更加复杂多样,因此聚类分析技术的发展面临着严峻的考验。传统的聚类分析技术可以分为基于层次的、基于划分的、基于网格的、基于密度的、基于模型的等五种类型,经过长时间的发展,学者们又提出了基于熵的聚类、谱聚类、不确定聚类等技术。但大多聚类分析算法缺乏普适性,在处理具有复杂多样的数据结构的数据集时常出现陷入局部极小的问题。近年来,随着对神经网络技术研究的复兴,学者发现该技术对不确定性信息的处理能力强,具有非常强的鲁棒性,其中属于无监督学习的弹性网络算法具有良好的几何性质,可以针对一个具体的目标函数进行求解,与聚类问题的定义非常契合,因此本文在弹性网络算法的基础上进行了研究,将该网络应用在聚类分析领域中。本文的主要工作内容和成果如下:1、由于原始弹性网络算法仅用于求解TSP问题,因此首先提出基于极大熵的弹性网络聚类算法(Elastic Net of Clustering based...

【文章页数】：66 页

【学位级别】：硕士

本文编号：3882171