基于混合模型的聚類算法研究.pdf

1、聚類是一種在缺少先驗(yàn)知識的條件下將一個(gè)數(shù)據(jù)集分成多個(gè)更小的更相似子群或簇的方法。近幾年來，混合模型作為聚類分析的基礎(chǔ)，在聚類過程中發(fā)揮著重要的作用。其中有限混合模型已逐漸成為多元統(tǒng)計(jì)分析的得力工具。基于高斯混合模型的密度估計(jì)和聚類在眾多方面都有著出色的效果。在這種方法中，數(shù)據(jù)被看作來自一個(gè)混合分布，每個(gè)分布代表一個(gè)不同的類。本文提出一種新的基于混合高斯分布的聚類方法，在聚類過程中用最大后驗(yàn)估計(jì)(MAP)來代替極大似然估計(jì)(MLE)，從而

2、避免了協(xié)方差矩陣在迭代中陷入奇異。同時(shí)，我們將一種改進(jìn)的貝葉斯信息準(zhǔn)則(BIC)與模型參數(shù)估計(jì)同時(shí)處理，這樣就擴(kuò)大了模型選擇的搜索范圍。 本文有以下幾個(gè)部分。第一章簡述聚類分析的研究現(xiàn)狀。第二章介紹了有限混合模型的基本概念和EM算法。第三章提出了基于高斯混合模型的聚類方法，其中包括模型分支的個(gè)數(shù)及結(jié)構(gòu)的估計(jì)。第四章提出一種基于最大后驗(yàn)估計(jì)的無監(jiān)督的聚類算法，這種算法不但能有效防止協(xié)方差矩陣陷入奇異，同時(shí)在模型選擇上也有很好的表現(xiàn)