基于重疊度的層次聚類算法研究及其應(yīng)用.pdf

1、隨著信息產(chǎn)業(yè)的快速發(fā)展，人們迫切需要將大規(guī)模數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識(shí)，獲得數(shù)據(jù)之間的內(nèi)在關(guān)系和隱含的信息，于是人們結(jié)合統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)、人工智能、機(jī)器學(xué)習(xí)等技術(shù)，提出數(shù)據(jù)挖掘(Data Mining)解決這一難題，并且逐漸成為研究的熱點(diǎn)。聚類分析(Clustering Analysis)是數(shù)據(jù)挖掘中的一個(gè)重要研究領(lǐng)域。它是一種無監(jiān)督的學(xué)習(xí)方法，它通過一定的規(guī)則將數(shù)據(jù)按照定義的相似性劃分為若干個(gè)類或簇，這些類或簇是由許多在性質(zhì)上相似的數(shù)據(jù)

2、點(diǎn)構(gòu)成的。同一個(gè)類中的數(shù)據(jù)彼此相似，與其它類中的數(shù)據(jù)相異。 層次聚類算法是聚類分析的一個(gè)重要研究方向。層次聚類算法的困難在于合并或分裂點(diǎn)的選擇，所以定義一種尺度來衡量相似度就顯得非常重要了。本文研究高斯混合模型和模糊集定義重疊相似度作為相似度的度量。選擇合適的聚類數(shù)和準(zhǔn)確劃分簇間重疊的數(shù)據(jù)是聚類分析領(lǐng)域兩個(gè)被廣泛研究的問題。本文研究了基于重疊度的層次聚類算法，能夠很好地解決以上兩個(gè)問題。算法根據(jù)簇與簇之間數(shù)據(jù)的重疊情況運(yùn)行或停止

3、，從而準(zhǔn)確劃分簇間重疊的數(shù)據(jù)，并自適應(yīng)地確定合適的聚類數(shù)。通過實(shí)驗(yàn)分析驗(yàn)證算法的有效性。本文較為系統(tǒng)地分析和研究了基于重疊相似度的層次聚類算法及其應(yīng)用，主要包括以下內(nèi)容： 1)通過研究基于高斯混合模型的重疊相似度定義，給出兩個(gè)二維高斯組成成分的高斯混合模型的參數(shù)評(píng)估公式和重疊度計(jì)算的參數(shù)評(píng)估方法，再利用直方統(tǒng)計(jì)圖的特征，提高了初始劃分子簇的速度，簡(jiǎn)化了重疊相似度的計(jì)算過程，應(yīng)用于快速的自適應(yīng)多閾值分割方法(MTSGMM)。