密度簇類中心約束的層次聚類方法的研究.pdf

1、聚類分析是指對于給定的數(shù)據(jù)集，在沒有其他先驗(yàn)知識(shí)的情況，將其通過聚類算法進(jìn)行分割，進(jìn)而得到子集的過程。這些由聚類分析而獲得的子集被稱作簇類，對于得到的各個(gè)簇類，每個(gè)簇類內(nèi)部的數(shù)據(jù)，數(shù)據(jù)之間具有較高的相似度，而對于這些簇類間的數(shù)據(jù)，數(shù)據(jù)之間具有較低的相似度。因?yàn)榫垲惙治霾恍枰魏纹渌闰?yàn)知識(shí)，只需要數(shù)據(jù)本身就可以進(jìn)行，因此它比需要先驗(yàn)知識(shí)的分類算法有著更為廣泛的應(yīng)用。目前已有相關(guān)研究者對此提出了一些聚類算法，但是這些算法仍然存在著無法發(fā)現(xiàn)

2、任意形狀的簇類，需要的參數(shù)過多而且意義不明，對于數(shù)據(jù)量較少的數(shù)據(jù)集效果不佳等問題。針對這些存在的問題，基于現(xiàn)存的聚類算法，本文提出了根據(jù)這些算法改進(jìn)的聚類算法，本文的主要研究工作如下:
　　首先，提出了一種由數(shù)據(jù)密度所確定的簇類中心來約束的最近鄰層次聚類算法。算法分為兩個(gè)階段，第一階段被稱作預(yù)合并階段，通過對于數(shù)據(jù)進(jìn)行預(yù)合并，利用合并過程中的冗余信息，來計(jì)算得到基于冗余信息的密度值，這樣的密度值因?yàn)椴恍枰O(shè)定其他額外參數(shù)，因此不會(huì)

3、存在參數(shù)初始化敏感的問題，同時(shí)由于密度計(jì)算過程中，對于單一數(shù)據(jù)點(diǎn)的密度的計(jì)算，并非考慮的只是該點(diǎn)局部的情況，因此對于數(shù)據(jù)量較少的數(shù)據(jù)集，不會(huì)出現(xiàn)由此引發(fā)的統(tǒng)計(jì)誤差。在獲得數(shù)據(jù)密度值后可以計(jì)算數(shù)據(jù)的最小距離值，然后通過數(shù)據(jù)的這兩個(gè)參數(shù)，可以找到數(shù)據(jù)集中的簇類中心;第二階段稱為簇類中心約束的最近鄰層次聚類，利用第一階段找到的簇類中心，在層次聚類的合并過程中區(qū)別對待具有簇類中心的簇類和沒有簇類中心的簇類，來進(jìn)行有簇類中心約束的層次聚類算法來得

4、到最終的聚類分析結(jié)果。
　　然后，提出了一種基于數(shù)據(jù)本地密度的簇類中心約束的最近鄰層次聚類算法。針對提出的合并冗余信息度量數(shù)據(jù)密度發(fā)生的不魯棒的缺點(diǎn)，采用了一種新的基于高斯函數(shù)密度度量的方法，并在實(shí)驗(yàn)中證明了該密度方法對于簇類中心發(fā)現(xiàn)的魯棒性。方法被用于聚類第一階段中，能更為魯棒的尋找到數(shù)據(jù)集中的簇類中心，提高了第二階段中最后獲得的聚類分析結(jié)果的精準(zhǔn)度。
　　最后，為了驗(yàn)證本文提出的方法的有效性，我們使用了人工數(shù)據(jù)集和真實(shí)數(shù)