量子聚類及其在社團(tuán)檢測(cè)中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是近年來(lái)在人工智能、信息決策及數(shù)據(jù)庫(kù)領(lǐng)域研究的熱點(diǎn)之一。在眾多數(shù)據(jù)挖掘分析工具中,聚類分析是一種最常用、最有力的工具。聚類分析的目的是將抽象出來(lái)的對(duì)象或樣本集合根據(jù)相似度劃分成若干具有特殊意義的團(tuán)或者類,從而更好地理解和分析數(shù)據(jù),發(fā)現(xiàn)樣本的潛在分布結(jié)構(gòu)。迄今為止,人們提出了大量聚類算法。但隨著數(shù)據(jù)規(guī)模(包括樣本個(gè)數(shù)及數(shù)據(jù)維度)越來(lái)越大,而先驗(yàn)知識(shí)相對(duì)匱乏,傳統(tǒng)的聚類算法效果并不盡如人意。受量子力學(xué)啟發(fā),量子聚類(Quantu

2、m Clustering, QC)將聚類問(wèn)題作為一個(gè)物理系統(tǒng),在波函數(shù)已知的情況下,通過(guò)求解薛定諤方程式(Schr?dinger equation)導(dǎo)出勢(shì)能函數(shù),從勢(shì)能能量點(diǎn)的角度來(lái)確定聚類中心。作為一種基于劃分的無(wú)監(jiān)督聚類算法,量子聚類能夠克服傳統(tǒng)方法的一些缺陷,如對(duì)初始值和噪聲敏感,聚類類別數(shù)需要事先給定等。為了進(jìn)一步提高數(shù)據(jù)的聚類精度和運(yùn)算效率,本文在傳統(tǒng)量子聚類基礎(chǔ)上做了相關(guān)的改進(jìn)工作。由于復(fù)雜網(wǎng)絡(luò)的社團(tuán)檢測(cè)與數(shù)據(jù)的聚類分析具有

3、一定的相似性,量子聚類同樣可以應(yīng)用于社團(tuán)檢測(cè)問(wèn)題研究。本文所做的主要工作如下:
　　(1)通過(guò)研究了量子聚類的基本理論及特點(diǎn),提出了一種利用核熵主成分分析的量子聚類算法。為了獲取數(shù)據(jù)的潛在結(jié)構(gòu),采用核方法將原始數(shù)據(jù)映射至高維特征空間,并用熵值為評(píng)價(jià)標(biāo)準(zhǔn)篩選特征向量,以獲得核熵主成分。為了增強(qiáng)算法的局部特性,同時(shí)提高算法的運(yùn)行效率,在量子聚類算法中引入K近鄰策略,并通過(guò)梯度迭代獲得最終的聚類結(jié)果。通過(guò)實(shí)驗(yàn)分析,不論是聚類效果還是魯棒

4、性,該算法遠(yuǎn)優(yōu)于其他對(duì)比算法,尤其是對(duì)線性不可分?jǐn)?shù)據(jù)集。
　　(2)在對(duì)已有的復(fù)雜網(wǎng)絡(luò)社團(tuán)檢測(cè)算法進(jìn)行深入研究的基礎(chǔ)上,將量子聚類應(yīng)用于復(fù)雜網(wǎng)絡(luò)的社團(tuán)檢測(cè)問(wèn)題研究中。首先為把網(wǎng)絡(luò)轉(zhuǎn)化為適合聚類分析的數(shù)據(jù)結(jié)構(gòu),構(gòu)建了結(jié)構(gòu)相似度矩陣,度量網(wǎng)絡(luò)中節(jié)點(diǎn)之間連接關(guān)系的強(qiáng)弱。同時(shí),在量子聚類過(guò)程中,引入節(jié)點(diǎn)的鄰接信息,在提高算法局部分析能力的同時(shí),降低算法的時(shí)間復(fù)雜度。
　　(3)針對(duì)大規(guī)模復(fù)雜網(wǎng)絡(luò)的社團(tuán)檢測(cè)問(wèn)題,借鑒小規(guī)模社團(tuán)檢測(cè)解決