無監(jiān)督學習框架下學習分類器系統(tǒng)聚類與主干網(wǎng)提取方法研究.pdf

1、無監(jiān)督學習是機器學習領(lǐng)域重要的研究方向之一，其應用非常的廣泛。如數(shù)據(jù)聚類、復雜網(wǎng)絡(luò)的主干網(wǎng)提取等。本文以投票集成聚類和復雜網(wǎng)絡(luò)圖聚類為切入點進行研究，取得的成績包括:
　　(1)針對數(shù)據(jù)的集成聚類問題，提出了基于擴展分類器系統(tǒng)的投票集成聚類方法。基于擴展分類器系統(tǒng)的投票集成聚類方法，首先利用擴展分類器系統(tǒng)在不同聚類個數(shù)的情況下生成一個聚類結(jié)果集合;然后引入分裂策略從所有候選值中確定聚類個數(shù);最后，采用基于多數(shù)投票的一致性方法獲得最

2、終聚類結(jié)果。在人工數(shù)據(jù)和實際數(shù)據(jù)上的實驗結(jié)果均表明了所提出方法的有效性。
　　(2)在基于擴展分類器系統(tǒng)的投票集成方法的基礎(chǔ)上，提出了基于擴展分類器系統(tǒng)的統(tǒng)一聚類集成框架。該框架包括了更多適用的融合準則、共識函數(shù)和自適應集成等內(nèi)容。具體來說，在處理一個聚類任務(wù)的時候，所提出的方法首先會執(zhí)行學習分類器系統(tǒng)來生成幾個基聚類結(jié)果。為了使這些結(jié)果之間存在較大的多樣性，本文對聚類數(shù)據(jù)使用不同的初始化，比如使用不同的聚類數(shù)目等。得到這些基聚類

3、結(jié)果之后，我們提出的方法會使用相應的策略來生成最終的聚類結(jié)果。在人工數(shù)據(jù)和實際數(shù)據(jù)上的實驗結(jié)果表明了所提框架的有效性。
　　(3)針對復雜網(wǎng)絡(luò)的圖聚類問題，提出了一種基于不完全信息的無監(jiān)督學習的復雜網(wǎng)絡(luò)主干網(wǎng)提取方法。主干網(wǎng)提取的目的主要是壓縮復雜網(wǎng)絡(luò)的邊和點數(shù)量，以盡量精簡的子網(wǎng)絡(luò)保留原網(wǎng)絡(luò)的重要特征（如拓撲結(jié)構(gòu)、點重要性特征等），從而幫助人們以更簡單的形式來理解網(wǎng)絡(luò)系統(tǒng)。本文以零模型為參考優(yōu)化邊過濾條件，并設(shè)計一種局部搜索模型