數(shù)據(jù)挖掘中的譜聚類算法研究.pdf

1、聚類分析是目前國際數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域中的一個相當(dāng)活躍的研究熱點,是人們認識和探索事物之間內(nèi)在聯(lián)系的有效手段。譜聚類算法作為一種新型的聚類分析的算法,與傳統(tǒng)聚類方法相比,譜聚類具有明顯的優(yōu)勢,該方法不僅思想簡單,易于實現(xiàn),不易陷入局部最優(yōu)解,而且具有識別非凸分布的聚類的能力,能夠?qū)θ我庑螤畹臉颖究臻g進行聚類,非常適合于許多實際應(yīng)用問題。
　　 傳統(tǒng)的譜聚類算法首先定義數(shù)據(jù)點間的相似性度量,基于該相似性度量,構(gòu)造數(shù)據(jù)點集的相似度

2、矩陣W,求出拉普拉斯矩陣L,接著計算出L的特征值和特征向量,最后選擇一個或多個特征向量就可以對不同的數(shù)據(jù)點進行聚類。其中,構(gòu)建相似度矩陣W時,相似函數(shù)使用的是高斯核函數(shù),尺度參數(shù)σ是手動設(shè)定的,這給該算法帶來了一定的局限性。設(shè)計出無需手動輸入尺度參數(shù)的譜聚類算法的實現(xiàn)方法,具有很重要的理論和現(xiàn)實意義,它不僅有助于研究人員對數(shù)據(jù)挖掘領(lǐng)域中的譜聚類算法的深入研究,還有助于普通工程技術(shù)人員利用譜聚類算法解決現(xiàn)實世界中的實際問題。
　　

3、 本文詳細分析了譜聚類算法的有關(guān)理論和方法,譜聚類生效的原因和優(yōu)勢,并指出了目前譜聚類算法存在的問題,然后介紹了NJW譜聚類算法的理論基礎(chǔ)和構(gòu)造方法,最后做了以下兩個主要的工作。
　　 首先,詳細分析了譜聚類算法的有關(guān)理論和方法,通過對經(jīng)典的NJW譜聚類算法的深入研究,針對NJW算法中存在的手動輸入尺度參數(shù)σ的問題做了相應(yīng)改進,研究目標(biāo)是通過對NJW算法進行深入分析,設(shè)計出能夠自動優(yōu)化尺度參數(shù)σ值的一種方法,從而避免了手動輸入尺

4、度參數(shù)σ值帶來的聚類結(jié)果不穩(wěn)定的問題。算法代碼在matlab 7.0平臺上實現(xiàn),通過在UCI標(biāo)準(zhǔn)數(shù)據(jù)集上對比分析k-means聚類、NJW譜聚類和EBSC譜聚類的實驗結(jié)果,證明了EBSC算法在聚類準(zhǔn)確性上優(yōu)于前兩種算法。
　　 其次,本文對譜聚類應(yīng)用于煙草行業(yè)中的煙葉品質(zhì)劃分進行了探討。目前在煙草行業(yè)已經(jīng)運用了很多數(shù)據(jù)挖掘技術(shù)和計算智能的方法來解決問題,都取得了一定的成果。但是在聚類分析方面仍是利用傳統(tǒng)的聚類方法進行聚類,如基于

5、中心的聚類算法(例如最經(jīng)典的k-means算法),在緊湊的超球形分布的數(shù)據(jù)集合上有較好的聚類效果,但卻并不適合任意形狀的聚類,而且此類算法是利用迭代最優(yōu)化方法來尋找最優(yōu)解,容易陷入局部最優(yōu)解,因而此類算法不能保證收斂到全局最優(yōu)解。而譜聚類由于其能發(fā)現(xiàn)任意形狀簇的能力和收斂于全局最優(yōu)解的性能,對煙葉品質(zhì)的劃分提供了一個新思路。因此本文將EBSC譜聚類用于煙葉品質(zhì)劃分中,通過對煙葉的聚類,對煙葉的采購具有一定的指導(dǎo)意義,同時在設(shè)計卷煙配方時