聚类融合算法及其应用研究

论文摘要

聚类分析是数据挖掘的一个重要研究领域,已被广泛应用于统计学、生物学和市场营销等领域。目前学者已经提出了许多聚类算法。然而传统的聚类算法常常遭遇“维度效应",导致算法性能降低。软子空间聚类是一种有效的处理高维数据的方法,但是现有的软子空间聚类算法通常含有一些用户难以确定的参数。在实际应用中,用户也很难找到一种聚类算法能够处理各种形状和大小的簇,而且针对某一特定数据集,也很难判断哪种算法是最优的,因此很多学者开始研究聚类融合方法。与单一的聚类算法相比,聚类融合方法具有更好的鲁棒性、适用性、稳定性、并行性和可扩展性。本文首先对子空间聚类方法、聚类融合方法、半监督学习方法和不平衡数据分类方法的研究现状进行分析。接着针对传统子空间聚类算法的不足,本文提出了一种新的软子空间聚类算法SC-IFWSA,它采用了改进的特征权重自动调节机制IFWSA,不需要用户设置任何参数值,其在每次迭代过程中根据权重增量自动调节每个簇对应的各个特征的权重。然后基于聚类融合,本文进一步提出了两种新的算法,分别用以改进传统的半监督学习方法和不平衡数据分类方法,从而提高分类器的学习性能：（1）提出一种新的基于聚类融合的半监督分类算法SSCCE,它采用了一种易于理解的估计标记置信度的方法,首先对所有数据进行多次聚类,接着对不同聚类结果进行簇标记匹配,然后将聚类一致性系数高的未标记训练数据标记后加入有标记训练集,再生成分类模型；（2）提出一类新颖的基于聚类融合的不平衡数据分类方法,旨在解决传统的分类方法对少数类的识别率较低的问题,它通过引入“聚类一致性系数”来找出处于少数类边界区域和处于多数类中心区域的样本,并分别使用改进的SMOTE过抽样方法和改进的随机欠抽样方法对训练集的少数类和多数类进行不同的处理,以改善不同类数据的平衡度,为分类算法提供更好的训练平台。实验结果表明本文提出的三种算法都是有效、可行的,能够在大部分数据集上得到较优的结果。

论文目录

• 中文摘要
• Abstract
• 中文文摘
• 目录
• 绪论
• 第一节 研究背景与意义
• 第二节 研究现状与存在问题
• 2.1 聚类方法
• 2.2 聚类融合方法
• 2.3 半监督学习算法
• 2.4 不平衡数据分类方法
• 第三节 本文研究内容与特色
• 第四节 本文结构安排
• 第一章 特征权重自动调节的软子空间聚类算法
• 第一节 引言
• 第二节 软子空间聚类算法
• 第三节 一种新的软子空间聚类算法
• 3.1 FWSA-K-means算法
• 3.2 SC-FWSA算法
• 3.3 IFWSA-K-means算法
• 3.4 SC-IFWSA算法
• 3.5 SC-IFWSA算法分析
• 第四节 实验与分析
• 4.1 评价方法
• 4.2 实验结果与分析
• 第五节 本章小结
• 第二章 聚类融合
• 第一节 聚类分析
• 第二节 聚类融合方法
• 第三节 簇标记匹配方法
• 第四节 本章小结
• 第三章 基于聚类融合的半监督分类算法
• 第一节 引言
• 第二节 半监督学习方法
• 第三节 基于聚类融合的半监督分类算法
• 3.1 算法思想和流程
• 3.2 聚类一致性系数和聚类一致性标记
• 3.3 类标记与聚类一致性标记的匹配方法
• 第四节 实验分析
• 4.1 在UCI数据集上的实验结果
• 4.2 在毒性预测数据集上的实验结果
• 第五节 本章小结
• 第四章 基于聚类融合的不平衡数据分类方法
• 第一节 引言
• 第二节 不平衡数据分类方法
• 2.1 基于数据层面的方法
• 2.2 基于算法层面的方法
• 第三节 基于聚类融合的不平衡数据分类方法
• 3.1 算法描述
• 3.2 聚类融合方法
• 3.3 聚类一致性系数
• 3.4 改进的过抽样和欠抽样技术
• 第四节 实验与分析
• 4.1 不平衡数据分类的评价方法
• 4.2 实验结果与分析
• 第五节 本章小结
• 第五章 总结与展望
• 参考文献
• 攻读学位期间承担的科研任务与主要成果
• 致谢
• 个人简历