基于Kolmogorov復雜性的聚類方法研究.pdf

1、聚類算法思想在人工智能，數(shù)據(jù)分析及企業(yè)商業(yè)機會發(fā)現(xiàn)等諸多領域有著重要應用。然而，傳統(tǒng)聚類算法的應用一個重要步驟是需要先提取出數(shù)據(jù)對象的特征屬性。由于待聚類對象的多樣性和復雜性，對具體某種對象提取哪些特征由人工確定，因此需要領域?qū)＜业闹С?，可以說傳統(tǒng)聚類算法是領域相關的方法。當處于新的領域或?qū)Υ垲愵I域不了解的情況下，傳統(tǒng)聚類算法則很難快速應用，需要經(jīng)過長時間的學習新領域知識。
　　論文針對領域無關的聚類要求，集中于建立和完善基于K

2、olmogorov復雜性思想的聚類方法的研究，從二進制角度來計算對象之間的相似性，避免了人工定義和提取待聚類對象的數(shù)據(jù)特征這一模糊的過程，從而即使對待聚類對象完全不了解，也可以獲得較好的聚類效果。論文研究具有普適性的聚類算法，使聚類算法能夠解決領域無關的聚類問題，具有重要的現(xiàn)實意義。
　　論文重點研究的是基于Kolmogorov復雜性思想來計算對象之間的相似度，完善依此建立的準則函數(shù)并進行聚類分析。首先，分析傳統(tǒng)的聚類算法在實際應

3、用中的不足，從而引入基于Kolmogorov復雜性的方法。其次，基于Kolmogorov復雜性的思想，從二進制角度分析同一個對象內(nèi)部以及不同對象之間的規(guī)律性，以信息距離和壓縮距離作為準則函數(shù)，計算不同對象之間的相似度，并不斷改進壓縮距離的穩(wěn)定性。再次，盡管在統(tǒng)計學方法中，數(shù)據(jù)預處理是很重要的步驟，但是由于Kolmogorov復雜性具有普適性，所以目前基于Kolmogorov復雜性的研究普遍忽略了預處理，論文提出并證明了對象預處理對基于K

4、olmogorov復雜性的方法同樣具有重要意義。最后，論文設計了基于Kolmogorov復雜性的具體聚類算法。為了驗證本文基于Kolmogorov復雜性的聚類方法是領域無關的，本文實現(xiàn)了基于Kolmogorov復雜性的聚類算法，用多種不同類型的數(shù)據(jù)進行了實驗，最終驗證了論文提出的聚類算法在不同領域應用時的穩(wěn)定性和有效性。
　　本課題的研究給領域無關的聚類算法的研究及應用提供了新的思路，實驗證明基于Kolmogorov復雜性的聚類算