基于馬氏距離的模糊聚類及增量學習方法研究.pdf

1、學校代碼：10165連掌師耗大學同等學力碩士學位論文論文題目：基于馬氏距離的模糊聚類及增量學習方法研究年2010年09月摘要IIllrflPIIIIrlllllJllfJY1910982聚類分析源于許多研究領域，包括數(shù)據(jù)挖掘、機器學習、統(tǒng)計學、模式識別等，它是數(shù)據(jù)挖掘中的一個重要分支。目前，數(shù)據(jù)挖掘技術的一個突出特點是處理巨大的、復雜的數(shù)據(jù)集，這對聚類分析技術提出了特殊的挑戰(zhàn)，要求算法具有可伸縮性、處理不同類型屬性的能力、發(fā)現(xiàn)任意形狀的

2、類的能力、處理高維數(shù)據(jù)的能力等等。在眾多的聚類分析算法中，模糊c均值聚類算法是當前研究的熱點之一。但該方法也存在諸多不足：模糊c均值聚類算法易處理球形狀的聚類，但對非球形狀的聚類效果不佳；模糊c均值聚類算法中需事先確定c值，而實際數(shù)據(jù)集中c值很難確定；模糊c均值聚類算法受噪聲的影響較大；等等。結(jié)合上述分析，本論文對模糊c均值聚類算法進行了深入地研究，并針對其算法存在的不足提出了改進。本論文主要工作如下：基于模糊c均值聚類的圖像分割是應用

3、較為廣泛的方法之一，但大多數(shù)模糊c均值聚類方法都是基于歐氏距離，且存在運算時間過長等問題。本文提出了一種基于Mahalanobis距離的模糊c均值聚類圖像分割算法。實驗分析表明，本文提出的算法在保證分割質(zhì)量的前提下，能較快提高分割速度。實驗結(jié)果表明了該方法的有效性。傳統(tǒng)的模糊聚類方法一般是用來解決靜態(tài)數(shù)據(jù)聚類的。但現(xiàn)實生活中，數(shù)據(jù)通常是不斷變化的。對于新增加的數(shù)據(jù)，要想獲得新的聚類結(jié)果，要么重新聚類，要么增量聚類。重新聚類代價太大，而且