選擇性聚類融合算法研究.pdf

1、聚類融合是將不同算法或者同一算法使用不同參數(shù)得到的大量聚類成員利用融合函數(shù)進行融合，從而獲得最終聚類結(jié)果。聚類融合已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點。但是，傳統(tǒng)的聚類融合方法通常將所有產(chǎn)生的聚類成員都參與融合。但是在監(jiān)督分類學(xué)習(xí)中，選擇分類融合的已經(jīng)獲得了很大的研究進展，對于無監(jiān)督的選擇性聚類融合直到最近幾年才逐漸得到重視。研究表明，選擇性聚類融合方法能很好地提高聚類分析的準確性等性能。論文針對選擇性聚類融合中的數(shù)據(jù)降維、選擇策略、融合函數(shù)

2、設(shè)計等算法進行了研究，并將選擇性聚類融合算法應(yīng)用于多聚類問題分析中。
　　論文首先對數(shù)據(jù)降維方法進行了研究，針對傳統(tǒng)的PCA降維方法對異常值、噪聲敏感問題以及矩陣的秩計算非凸、不連續(xù)且計算復(fù)雜等問題，提出聯(lián)合L1范數(shù)和跡范數(shù)的數(shù)據(jù)降維模型，針對模型的優(yōu)化求解提出了基于增強拉格朗日乘子的優(yōu)化算法。理論的數(shù)學(xué)分析和可視化的實驗結(jié)果都表明模型和優(yōu)化算法的有效性。
　　研究了選擇性聚類融合的選擇策略問題，理論上證明了聯(lián)合聚類質(zhì)量和差

3、異度的選擇性聚類融合確實優(yōu)于融合所有聚類成員的融合算法，針對選擇策略中參照成員的確定過于簡單問題，提出了基于聚類有效性評價方法的參照成員選擇方法，在此基礎(chǔ)上，針對聚類成員對最終聚類結(jié)果的作用不同，提出了基于容錯關(guān)系信息熵的屬性重要性加權(quán)方法，最后論文給出了選擇加權(quán)聚類融合算法的框架。論文還對算法中的聚類簇數(shù)和平衡因子進行了優(yōu)化分析，并提出基于融合準則函數(shù)的聚類簇數(shù)優(yōu)化算法。
　　研究了選擇性聚類融合中融合函數(shù)的設(shè)計問題，提出利用非

4、負矩陣分解(NMF，Nonnegative Matrix Factorization)解決聚類融合問題，在此基礎(chǔ)上，引入了譜聚類算法對聚類成員進行分組選擇，提出了基于NMF的選擇性聚類融合算法。論文進一步分析具有二進制特征的數(shù)據(jù)，提出了基于二進制矩陣分解(BMF，Binary Non-negativeMatrix Factorization)的聚類融合算法和基于BMF的選擇性聚類融合算法。通過大量的仿真實驗分析發(fā)現(xiàn)，對于文本和人工數(shù)據(jù)集

5、算法準確性大大提高，但對于公共數(shù)據(jù)集，其準確性不穩(wěn)定。
　　論文將選擇性聚類融合算法應(yīng)用于多聚類問題分析，提出了基于選擇性聚類融合的多聚類算法。算法利用選擇性聚類融合技術(shù)，形成聚類成員的相似矩陣，基于此矩陣構(gòu)建聚類成員的層次樹，利用基于模塊化的方法對層次樹進行分割，從而得到多聚類結(jié)果。大量的實驗結(jié)果表明，算法得到的多聚類結(jié)果差異度較大，但聚類結(jié)果本身的質(zhì)量較好。
　　論文最后對全文進行了總結(jié)，提出了今后將繼續(xù)進行的研究方向。