面向含噪數(shù)據(jù)聚類相關(guān)算法的研究.pdf

1、聚類分析旨在對(duì)無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行集合劃分，使得類間距離最大化、類內(nèi)距離最小化，是機(jī)器學(xué)習(xí)經(jīng)典的無(wú)監(jiān)督方法。而當(dāng)今數(shù)據(jù)越來(lái)越復(fù)雜，噪音越來(lái)越多，描述數(shù)據(jù)的特征維度和數(shù)據(jù)量都在增加，傳統(tǒng)的聚類算法面臨著效率低下、準(zhǔn)確度不高的挑戰(zhàn)。本文通過(guò)研究處理含噪數(shù)據(jù)的聚類問(wèn)題，提出了對(duì)采樣表現(xiàn)穩(wěn)定的Filter類聚類特征選擇全局算法和基于K-means帶噪音處理的聚類算法。實(shí)驗(yàn)表明，本文所提出的兩個(gè)算法能較高效率的處理復(fù)雜數(shù)據(jù)，并獲得更好的結(jié)果。
　

2、　本文的工作如下:
　　[1]介紹了處理含噪數(shù)據(jù)聚類問(wèn)題的相關(guān)概念和思路。
　　[2]面向特征中包含噪音的問(wèn)題，研究了常用的Filter類聚類特征選擇算法，包括Laplacian Score、SRANK，分析其原理并提出不足之處。
　　[3]面向數(shù)據(jù)點(diǎn)集中包含噪音點(diǎn)的問(wèn)題，研究了常用的基于密度聚類算法，包括DBSCAN、DLCKDT、譜聚類，分析其原理并提出不足之處。
　　[4]針對(duì)不足之處，本文分別提出了對(duì)采樣

3、表現(xiàn)穩(wěn)定的Filter類聚類特征選擇算法以及基于K-means帶噪音處理的聚類算法。其中，特征選擇算法將每個(gè)維度的特征投影到樣本差異空間中，利用熵加權(quán)的方法描述特征間組合的可能性，通過(guò)新的目標(biāo)函數(shù)選擇出最優(yōu)的特征子集，并利用該子集對(duì)所有特征進(jìn)行打分排序。聚類算法是基于譜的方法，利用KD-tree對(duì)局部密度進(jìn)行描述，從而對(duì)數(shù)據(jù)的相似度矩陣進(jìn)行降維，再進(jìn)行K-means聚類。
　　[5]通過(guò)仿真數(shù)據(jù)實(shí)驗(yàn)，驗(yàn)證本文算法的有效性;通過(guò)真實(shí)