調整學習聚類算法的研究.pdf

1、聚類是重要的數據挖掘技術，在海量數據統(tǒng)計、網絡分析及醫(yī)學圖形圖像自動監(jiān)測等領域具有廣泛的應用背景。聚類就是根據數據的內在特性將數據對象劃分到不同的組(或簇)中，使得屬于同簇的數據對象具有相似性，不同簇的數據對象具有相異性。 近幾十年來，國內外的研究者們提出了許多聚類算法，這些算法大多從全局或局部的角度觀察聚類，力圖發(fā)現所有聚類方案的最優(yōu)結果。由于處理數據的規(guī)模大、類型復雜，因此目前的聚類算法不能滿足人們對聚類質量的要求。同時，經

2、典算法在聚類過程中都有保持問題和數據對象位置不變的特點。 本文著眼于提高聚類質量，充分地結合經典聚類算法的特點，力圖從運動的角度來分析聚類，提出了基于調整學習的聚類算法，其基本思想是通過調用調整算子，變換數據對象的位置來構造一系列粗細粒度不同的近似問題。 首先對細粒度近似問題聚類，再利用細粒度問題的聚類結果來引導粗粒度問題的求解。由于變換能改變問題的拓撲結構，從而使原始問題可以轉化為多個簡單問題迭代求解，達到降低問題難度

3、和提高聚類質量的目的。 本文在調整學習聚類算法的基礎上分別對FCM算法和CLARANS算法進行了改進。 最后通過多組仿真數據和3個實際數據集比較了改進算法與經典算法的聚類質量。實驗結果表明，改進后的算法在時間、空間復雜度不變的情況下聚類質量有了較顯著提高。 本文提出的新聚類算法以經典聚類算法為其從屬算法并對其改進。為人們獲得高質量聚類結果提供了新思路和新途徑，為準確地挖掘出數據集中隱含的模型和信息提供了保證。因此