数据挖掘中模糊聚类与聚类集成研究

论文摘要

数据收集和数据存储技术的快速进步使得各组织机构积累海量数据,如何提取有用信息已经成为巨大挑战。数据挖掘技术应运而生,并显示出强大的生命力。聚类分析是数据挖掘任务中的重要分支。所谓聚类就是按照事物的某些属性,把事物聚集成类,使类间的相似性尽量小,类内相似性尽量大。传统的聚类分析是一种“硬”划分,它把每个待辨识的对象严格地划分到某个类中,具有“非此即彼”的性质,所以这种划分的界限很分明。但实际上现实生活中大多数对象并没有严格的属性,它们在形态和类属性方面存在着中介性,具有“亦此亦彼”的性质,因此比较适合进行“软”划分。模糊集理论的提出为这种软划分提供了有力的分析工具,人们开始用模糊的方法来处理聚类问题,并称之为模糊聚类分析。高维数据聚类问题被公认为较难处理的一种聚类问题。本文简要介绍了模糊集合和模糊关系概念,总结了模糊聚类的原则和通用的方法,讨论了常用的模糊聚类算法,在此基础上提出了基于图论的高属性维稀疏数据的模糊聚类算法。有效地实现对不同类型高属性维稀疏数据的归并,使得聚类结果更符合实际情况,聚类质量较高。由于聚类分析的重要性和特殊性,近年来该领域的研究取得了长足的发展,涌现出了许多聚类分析的方法。聚类集成方法将不同算法或在同一算法下使用不同参数得到的结果进行集成,从而得到比单一算法更为优越的结果。但绝大多数聚类集成方法的研究都集中在硬划分上,即研究如何对硬聚类算法进行集成,在模糊聚类算法方面尚缺乏建树。针对该种情况,本文提出了一种模糊聚类集成的决策模型。该模型同时考虑“专家决策”和“多数投票”机制将模糊c-均值（Fuzzy c-means,FCM）算法设定不同参数得到的不同结果进行集成,最后通过对人工数据集、UCI数据集及Web数据集等多组实验,验证了该模型的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本文研究背景
• 1.2 国内外研究现状
• 1.2.1 数据挖掘技术的发展及研究现状
• 1.2.2 模糊聚类理论的发展及现状
• 1.2.3 聚类集成发展及研究现状
• 1.3 论文主要内容及组织结构
• 第2章 数据挖掘综述
• 2.1 数据挖掘概述
• 2.1.1 数据挖掘中的关键技术
• 2.1.2 数据挖掘的任务
• 2.1.3 数据挖掘工具分析
• 2.2 聚类分析
• 2.2.1 聚类分析概述
• 2.2.2 聚类分析的主要方法
• 2.3 本章小结
• 第3章 模糊聚类分析
• 3.1 模糊理论
• 3.1.1 模糊集合
• 3.1.2 模糊关系
• 3.2 FCM算法概述
• 3.2.1 数据集的c划分
• 3.2.2 硬c-均值聚类算法
• 3.2.3 模糊c-均值聚类算法
• 3.3 本章小结
• 第4章 高属性维稀疏数据模糊聚类算法
• 4.1 差异度衡量方法
• 4.1.1 区间变量及其差异度
• 4.1.2 二态变量及其差异度
• 4.2 稀疏特征差异度
• 4.3 特征选择技术
• 4.4 基于图论的高维稀疏数据模糊聚类算法
• 4.4.1 图论基本概念
• 4.4.2 模糊图论聚类方法
• 4.4.3 实例计算
• 4.5 实验分析
• 4.5.1 评价方法和实验方案
• 4.5.2 实验结果及分析
• 4.6 本章小结
• 第5章 模糊聚类集成决策模型
• 5.1 聚类集成概述
• 5.2 模糊聚类集成
• 5.3 决策模型设计
• 5.4 实验分析
• 5.4.1 评价方法
• 5.4.2 实验数据
• 5.4.3 实验结果
• 5.5 本章小结
• 结论
• 1.本文主要工作
• 2.今后进一步的研究工作
• 致谢
• 参考文献
• 攻读硕士学位期间所发表的论文