基于蟻群的約束聚類和分類.pdf

1、受大自然啟發(fā)，基于仿真螞蟻的無監(jiān)督聚類技術在處理許多聚類問題上面取得成功?；谌后w智能的方法在處理數(shù)據(jù)分析的問題上體現(xiàn)出來的潛力，吸引了大批研究人員。過去的研究主要集中在算法性能的提高，收斂性的證明，函數(shù)優(yōu)化，組合優(yōu)化等方面。在這樣的背景下，本文創(chuàng)造性的利用群體智能的想法進行數(shù)據(jù)的挖掘分析，豐富了群體智能的應用領域。半監(jiān)督信息的兩種類別:一是少量數(shù)據(jù)點被標記，二是少量數(shù)據(jù)點被must-link和cannot-link約束。針對這兩類信息

2、，我們提出螞蟻約束聚類，給蟻群聚類算法框架擴展了可以處理先驗信息的能力，同時也提出了新的約束分類模型:螞蟻約束分類即蟻群直推學習。
　　 聚類和分類是數(shù)據(jù)挖掘領域中一個非常重要的數(shù)據(jù)分析手段。約束聚類和約束分類主要處理學習問題的方式間于無監(jiān)督學習和監(jiān)督學習。在現(xiàn)實世界中，獲得無先驗類屬信息的數(shù)據(jù)相對而言是比較廉價的，而給出數(shù)據(jù)點的類屬信息和相關性往往要付出昂貴的代價。于是在擁有少量先驗信息的情況下，改善聚類結果成為迫切需要。通常

3、這樣的學習問題也被稱為半監(jiān)督學習。半監(jiān)督學習在處理現(xiàn)實世界中的問題時，表現(xiàn)出了良好的作用。與監(jiān)督學習相比要節(jié)約更多的成本，同時比起完全無監(jiān)督的學習策略，又能提高可觀的學習精度。在學術界也吸引著大量學者的關注。
　　 本論文的具體貢獻如下:
　　 (1)螞蟻約束聚類。針對半監(jiān)督信息以約束對出現(xiàn)的情況，將螞蟻睡眠模型擴展成能處理must-link和cannot-link約束信息的約束聚類框架。根據(jù)must-link和cann

4、ot-link約束限制采取最大最小策略修正數(shù)據(jù)點的相似度矩陣，我們提出了樸素螞蟻約束聚類方法以及引入了吸引子和排斥子處理約束信息，我們提出了約束移動的螞蟻約束聚類方法。
　　 (2)啟發(fā)式螞蟻聚類算法及其約束聚類問題推廣。對RWAC算法進行了擴展和改善，螞蟻在網格上隨機游走之前，引入了啟發(fā)式游走策略，并在啟發(fā)式游走策略的選擇過程中采用了最近鄰最遠鄰的思想，融入半監(jiān)督約束信息而提出了速度和精度都更加優(yōu)秀的啟發(fā)式螞蟻聚類算法，并推廣