局部密度聚類算法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)和通信技術(shù)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(zhǎng)，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(shí)的技術(shù)，有著廣泛的應(yīng)用前景。聚類分析作為數(shù)據(jù)挖掘領(lǐng)域中一種重要的方法，已經(jīng)成為了國(guó)內(nèi)外專家學(xué)者關(guān)注的熱點(diǎn)。由于先驗(yàn)知識(shí)廣泛地存在于實(shí)際應(yīng)用中，半監(jiān)督聚類將包含成對(duì)約束信息和類標(biāo)簽信息在內(nèi)的先驗(yàn)知識(shí)加以利用，改變傳統(tǒng)聚類分析無(wú)監(jiān)督的聚類過(guò)程，加入少量的監(jiān)督信息協(xié)助算法獲取更好的聚類質(zhì)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(duì)于非簇心點(diǎn)的分配過(guò)程無(wú)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(jìn)的地方:一方面是沒(méi)有利用真實(shí)存在的先驗(yàn)知識(shí)進(jìn)一步提高算法的性能;另一方面是不能自動(dòng)地確定簇的個(gè)數(shù)和簇心。因此本文針對(duì)上述兩個(gè)方面展開(kāi)專門(mén)研究:
　　針對(duì)LDC算法無(wú)法直接適用于存在先驗(yàn)

3、知識(shí)的實(shí)際聚類問(wèn)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(duì)點(diǎn)約束調(diào)整LDC算法的距離矩陣，其次采用同類排除法改進(jìn)非簇心點(diǎn)類別歸屬的分配過(guò)程，使其滿足約束對(duì)的限制條件，從而解決了半監(jiān)督聚類中約束違反的問(wèn)題。然后，在SLDC算法的基礎(chǔ)上，針對(duì)算法在一些特殊數(shù)據(jù)集上因人為選擇簇心會(huì)導(dǎo)致聚類質(zhì)量降低的問(wèn)題，提出了一種簇心自動(dòng)識(shí)

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(kuò)大化的方法擴(kuò)大潛在簇心點(diǎn)與非簇心點(diǎn)之間的差異，實(shí)現(xiàn)機(jī)器對(duì)簇心的自動(dòng)識(shí)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(shí)際數(shù)據(jù)集上對(duì)本文提出的算法進(jìn)行了仿真實(shí)驗(yàn)，表明了