基于模糊聚類(lèi)的非監(jiān)督學(xué)習(xí)研究.pdf

1、學(xué)習(xí)是人類(lèi)智能的主要標(biāo)志和獲得智慧的基本手段，是人類(lèi)具有的一種重要智能行為。在機(jī)器學(xué)習(xí)中，學(xué)習(xí)性能的好壞是衡量一個(gè)學(xué)習(xí)系統(tǒng)優(yōu)劣最重要的指標(biāo)。作為非監(jiān)督學(xué)習(xí)方法的模糊聚類(lèi)分析已成為機(jī)器學(xué)習(xí)研究的熱點(diǎn)，為提高和改善機(jī)器學(xué)習(xí)性能提供了良好的理念支持與技術(shù)手段。研究模糊聚類(lèi)算法對(duì)于提高和改善機(jī)器的學(xué)習(xí)性能具有重大的理論和現(xiàn)實(shí)意義。 在模糊聚類(lèi)算法中，由于模糊C一均值聚類(lèi)算法(Fuzzy C-mean Clustering Algorit

2、hm， FCM)計(jì)算簡(jiǎn)單，具有比較直觀的幾何意義，在許多領(lǐng)域獲得了非常成功的應(yīng)用。然而基于傳統(tǒng)目標(biāo)函數(shù)的FCM，采用迭代的爬山技術(shù)來(lái)尋找最優(yōu)解，本質(zhì)上是一種局部搜索算法。因而其存在著兩大致命的問(wèn)題：一是處理大數(shù)據(jù)量費(fèi)時(shí)，二是對(duì)數(shù)據(jù)初始化敏感，容易陷入局部極小值。 對(duì)此，本論文運(yùn)用實(shí)驗(yàn)和比較方法，著重從以下幾個(gè)方面對(duì)FCM加以改進(jìn)： 1、在提高FCM算法對(duì)大數(shù)據(jù)量的聚類(lèi)速度方面，通過(guò)多次隨機(jī)取樣聚類(lèi)與數(shù)據(jù)約減相結(jié)合，以減少

3、FCM算法收斂所需的迭代次數(shù)與運(yùn)算時(shí)間：為了提高FCM算法的聚類(lèi)止確率，對(duì)模式分類(lèi)作出不同貢獻(xiàn)的各維特征進(jìn)行加權(quán)選擇，使得聚類(lèi)結(jié)果更好。 2、由于FCM會(huì)陷入局部最優(yōu)化，論文采用遺傳算法加以解決。將遺傳算法與FCM結(jié)合產(chǎn)生基于遺傳算法的模糊C．均值聚類(lèi)算法GFCM，充分發(fā)揮FCM的局部搜索和遺傳算法的全局搜索能力，提高算法聚類(lèi)正確率。 3、針對(duì)FCM對(duì)大數(shù)據(jù)量處理速度慢的缺點(diǎn)，運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)改進(jìn)模糊聚類(lèi)算法。將自組織映