基于仿射傳播聚類的數(shù)據(jù)挖掘算法研究.pdf

1、隨著科學(xué)技術(shù)的迅速發(fā)展和網(wǎng)絡(luò)技術(shù)的普及，人類社會(huì)已經(jīng)進(jìn)入到大數(shù)據(jù)時(shí)代。在很多領(lǐng)域中人們需要從海量數(shù)據(jù)中得到有用的知識(shí)和信息，因此產(chǎn)生了數(shù)據(jù)挖掘的概念，仿射傳播聚類算法作為一種重要的數(shù)據(jù)挖掘算法，以相似度矩陣作為輸入，構(gòu)造吸引度矩陣和歸屬度矩陣，數(shù)據(jù)點(diǎn)之間通過吸引度和歸屬度交換有真實(shí)價(jià)值的消息，直到一個(gè)最優(yōu)的類代表點(diǎn)集合和聚類逐漸形成。仿射傳播聚類算法具有不用指定初始聚類中心及聚類的個(gè)數(shù)不需要設(shè)定等優(yōu)點(diǎn)，但對結(jié)構(gòu)復(fù)雜和維數(shù)較高的數(shù)據(jù)集存在

2、聚類結(jié)果比較差、精度低、且聚類個(gè)數(shù)易受到偏向參數(shù)的影響。本文主要圍繞仿射傳播聚類算法的不足，從以下幾個(gè)方面展開分析與研究：
　　1.針對仿射傳播聚類算法處理結(jié)構(gòu)復(fù)雜數(shù)據(jù)集時(shí)存在聚類效果差、精度低等問題，提出了一種基于核函數(shù)的半監(jiān)督仿射傳播聚類算法，該算法首先利用核函數(shù)將結(jié)構(gòu)復(fù)雜的輸入數(shù)據(jù)集映射到特征空間，改變相似性度量，且映射后的數(shù)據(jù)集呈現(xiàn)線性特征；然后計(jì)算映射到特征空間數(shù)據(jù)的相似度矩陣，通過半監(jiān)督學(xué)習(xí)進(jìn)行調(diào)整，使屬于同簇內(nèi)的數(shù)據(jù)

3、更容易成為近鄰；最后將得到的相似度矩陣作為仿射傳播聚類算法的輸入，迭代更新得到全局最優(yōu)。仿真結(jié)果比對，可以看出改進(jìn)后的算法處理結(jié)構(gòu)復(fù)雜數(shù)據(jù)集時(shí)聚類效果更好、精度更高。
　　2.針對運(yùn)用半監(jiān)督仿射傳播聚類算法處理高維數(shù)據(jù)時(shí)存在聚類精度低和計(jì)算量大的問題，提出一種基于局部線性嵌入的半監(jiān)督仿射傳播聚類算法，該算法首先通過局部線性嵌入算法將輸入的高維數(shù)據(jù)集映射到低維空間得到低維數(shù)據(jù)集，且映射后的數(shù)據(jù)集呈現(xiàn)線性特征，計(jì)算低維數(shù)據(jù)集的相似度矩

4、陣，再用半監(jiān)督算法調(diào)整相似度矩陣，最后用仿射傳播聚類算法對低維數(shù)據(jù)進(jìn)行聚類分析。仿真結(jié)果表明改進(jìn)后的算法在處理高維數(shù)據(jù)時(shí)聚類效果更好、精度更高、迭代次數(shù)更少。
　　3.由于仿射傳播聚類算法中偏向參數(shù)對聚類精度和聚類個(gè)數(shù)有著直接的影響，但其偏向參數(shù)通常都是經(jīng)驗(yàn)取值，很可能導(dǎo)致得不到最優(yōu)的聚類結(jié)果，針對這一問題提出了基于差分進(jìn)化的仿射傳播聚類算法，該算法首先進(jìn)行仿射傳播聚類分析，其偏向參數(shù)取經(jīng)驗(yàn)值；然后根據(jù)得到的聚類結(jié)果判斷偏向參數(shù)是