基于划分的双向选择自组织聚类算法的研究

论文摘要

聚类分析和人工神经网络都是数据挖掘的重要支撑技术,其中,基于划分的K-medoids算法和SOM算法是经典的并在实际中得到广泛应用的算法。然而,在当今信息爆炸的时代,各种数据集的维度不断提高,数据量不断增大,聚类分析作为数据挖掘中数据处理重要的一环有着极其重要的作用,所以准确、高效的聚类分析算法在数据挖掘以及实际应用方面具有重要的意义。本文从基于划分聚类算法中的K-medoids算法和自组织特征映射SOM算法出发,结合二者的优点设计并实现了一个改进算法——双向选择自组织聚类算法（BSAN）。利用了K-medoids算法的思想,在各个非中心对象通过距离准则选择中心点的基础上,提出了由非中心点选择中心点的逆向过程,同时中心点也对非中心点的选择进行加“权”从而实现了双向选择的机制;并以SOM网络模型作为参考,将得到的选择机制应用于自组织网络。从而得到了准确度更高的,且收敛的BSAN算法。文章最后,在算法分析和结果评估方面,给出算法分析和结果评价。选择了一些UCI标准数据集作为测试用例对算法进行了测试,并分析算法的复杂度及聚类结果。

论文目录

• 提要
• 第一章 绪论
• 1.1 数据挖掘简介
• 1.1.1 数据挖掘的定义
• 1.1.2 数据挖掘的支撑理论及方法
• 1.2 数据挖掘中的聚类分析
• 1.3 人工神经网络
• 1.4 本文的主要内容
• 第二章 基于划分的聚类算法K-medoids
• 2.1 聚类算法设计中的典型要求
• 2.2 聚类分析中的数据类型
• 2.3 相似度度量方法
• 2.3.1 距离
• 2.3.2 相似系数
• 2.4 K-medoids 算法
• 2.4.1 聚类的准则
• 2.4.2 类的表示
• 2.4.5 算法框架
• 2.5 聚类分析方法的评价
• 2.6 本章小结
• 第三章 自组织映射网（SOM）
• 3.1 竞争学习
• 3.2 基本特征映射模型
• 3.3 自组织映射
• 3.4 SOM 算法
• 3.5 本章小结
• 第四章 基于划分的双向选择自组织聚类算法
• 4.1 问题的描述
• 4.2 基本思想
• 4.3 算法设计
• 4.4 算法实现
• 4.5 本章小结
• 第五章 算法分析与结果评估
• 5.1 测试用例
• 5.2 复杂度分析
• 5.3 聚类结果分析
• 5.4 算法比较与评价
• 5.5 本章小结
• 第六章 总结
• 参考文献
• 摘要
• Abstract
• 致谢
• 导师及作者简介