局部密度聚類算法研究.pdf

1、隨著計算機技術和通信技術地不斷發(fā)展，各行各業(yè)中積累的數(shù)據(jù)量正在日益增長，數(shù)據(jù)挖掘作為一種能從大規(guī)模數(shù)據(jù)中發(fā)現(xiàn)隱含知識的技術，有著廣泛的應用前景。聚類分析作為數(shù)據(jù)挖掘領域中一種重要的方法，已經(jīng)成為了國內(nèi)外專家學者關注的熱點。由于先驗知識廣泛地存在于實際應用中，半監(jiān)督聚類將包含成對約束信息和類標簽信息在內(nèi)的先驗知識加以利用，改變傳統(tǒng)聚類分析無監(jiān)督的聚類過程，加入少量的監(jiān)督信息協(xié)助算法獲取更好的聚類質量。
　　局部密度聚類（Local

2、Density Clustering，LDC）算法是Rodriguez和Laio在2014年發(fā)表于Science上的一種快速、高效的聚類算法，它能發(fā)現(xiàn)任意形狀的簇，對于非簇心點的分配過程無需迭代，只需一步即可完成。但是LDC算法仍然存在兩方面有待改進的地方:一方面是沒有利用真實存在的先驗知識進一步提高算法的性能;另一方面是不能自動地確定簇的個數(shù)和簇心。因此本文針對上述兩個方面展開專門研究:
　　針對LDC算法無法直接適用于存在先驗

3、知識的實際聚類問題，本文提出了一種半監(jiān)督局部密度聚類（Semi-Supervised Local Density Clustering，SLDC）算法。所提算法首先利用少量的成對點約束調(diào)整LDC算法的距離矩陣，其次采用同類排除法改進非簇心點類別歸屬的分配過程，使其滿足約束對的限制條件，從而解決了半監(jiān)督聚類中約束違反的問題。然后，在SLDC算法的基礎上，針對算法在一些特殊數(shù)據(jù)集上因人為選擇簇心會導致聚類質量降低的問題，提出了一種簇心自動識

4、別的半監(jiān)督局部密度聚類(Semi-Supervised Local Density Clustering with Automatic Recognition of Cluster Centers,Auto-SLDC)算法。Auto-SLDC算法利用差異擴大化的方法擴大潛在簇心點與非簇心點之間的差異，實現(xiàn)機器對簇心的自動識別，避免了由于人為主觀因素造成的誤差。最后分別在人工數(shù)據(jù)集和UCI實際數(shù)據(jù)集上對本文提出的算法進行了仿真實驗，表明了