聚類算法及基于簇模式聚類集成研究.pdf

1、計算機技術(shù)的普及使得各行各業(yè)積累了大量的數(shù)據(jù)信息，人工處理這些大規(guī)模的數(shù)據(jù)已變得不現(xiàn)實。因此，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生了。在數(shù)據(jù)挖掘領(lǐng)域中聚類技術(shù)是其中的一個熱點，聚類是以某種相似性度量方法對數(shù)據(jù)集中的對象進行度量，依據(jù)某種聚類策略把相似性大的對象劃分到同一簇中，把相似性小的對象劃分到不同的簇中，從而使同一個簇中對象的相似性最大，不同簇間對象相似性最小。不同的單一聚類算法都有一定的適應(yīng)范圍和適應(yīng)于不同分布的數(shù)據(jù)集結(jié)構(gòu)。有些聚類算法在數(shù)據(jù)量較

2、小時表現(xiàn)出較好的性能，但是無法勝任在大規(guī)模數(shù)據(jù)集上聚類；有些聚類算法比較傾向發(fā)現(xiàn)均勻分布的凸?fàn)畲兀挥行┚垲愃惴ㄒ髷?shù)據(jù)集的數(shù)據(jù)分布要比較緊湊；有些聚類算法對離群點比較敏感。單個聚類算法都有一定的局限性，而對多個聚類算法進行融合可以解決上述問題。對多個聚類算法進行融合能夠提高系統(tǒng)的泛化能力和穩(wěn)定性，而且對有差異的聚類算法進行集成還能提高聚類的準(zhǔn)確率。
　　 本文對聚類技術(shù)和聚類集成技術(shù)進行了研究。簡單介紹了聚類算法的種類及其代表算

3、法。簡述了聚類過程中的主要步驟，聚類分析中常見的數(shù)據(jù)類型及各種類型數(shù)據(jù)對象的相似性度量方法。對層次聚類算法進行了較深入的研究，并提出了一種基于代表點的改進的快速聚類算法(REPBFC，REpresentative-Points Based Fast Clustering)。該算法是一種凝聚型層次聚類算法，在簇的合并過程中，選用一定數(shù)量的代表點代表一個簇，從而能識別非凸?fàn)畈灰?guī)則的簇；根據(jù)90_10規(guī)則的特性，分兩個階段完成聚類操作，與傳統(tǒng)

4、的聚類算法相比降低了算法的時間復(fù)雜度。介紹了聚類集成的研究熱點，如何生成有差異的聚類集體和基于互信息的聚類集體差異性度量方法；介紹了常見的共識函數(shù)的設(shè)計方法。本文中給出了由多個聚類結(jié)果所組成的簇模式的概念，并提出了兩種基于簇模式的聚類集成共識函數(shù)設(shè)計方法ECBCMP(Ensemble Clustering algorithm Based on Cluster-Mode and Partitioning methods)和ECCCM(En