数据挖掘中半监督K-均值聚类算法的研究与改进

论文摘要

数据挖掘技术是当前机器学习、模式识别、计算机科学、智能计算技术、应用数学、统计学习方法以及智能机器人研究中的重要课题。它能从已有的数据中分析、提炼和挖掘出隐含的、先前未知的、对决策有潜在应用价值的知识。本文围绕数据挖掘领域的聚类分析问题,展开了算法与应用研究:在传统的K-均值聚类算法的基础上,为了提高算法的效率,提出了两种基于数据分段技术选取初始聚类中心的改进的K-均值聚类算法,将上述算法应用到我国各地区城镇居民家庭收支基本情况统计数据中,取得了较好效果;结合半监督学习方法,提出了半监督K-均值聚类算法,并针对初始聚类中心的选取提出了两种改进的半监督K-均值聚类算法,并将改进前后的算法应用于我国男性与女性身高和体重的统计数据中,取得了较好的效果。

论文目录

• 提要
• 第1章 绪论
• 1.1 数据挖掘的意义
• 1.2 数据挖掘的主要内容
• 1.3 数据挖掘的应用
• 1.4 本文工作
• 第2章 聚类
• 2.1 聚类问题概述
• 2.2 聚类问题的求解算法
• 2.2.1 层次算法
• 2.2.2 划分算法
• 2.3 聚类算法的比较
• 2.4 本章小结
• 第3章 半监督学习
• 3.1 半监督学习的思想
• 3.2 半监督分类
• 3.3 半监督聚类
• 3.4 本章小结
• 第4章 K-均值聚类的研究与改进
• 4.1 K-均值聚类
• 4.1.1 数据聚类的K-均值聚类算法
• 4.1.2 改进的K-均值聚类算法
• 4.2 K-均值聚类实验
• 4.2.1 传统的K-均值聚类算法
• 4.2.2 改进的K-均值聚类算法
• 4.3 本章小结
• 第5章 半监督K-均值聚类的研究与改进
• 5.1 半监督K-均值聚类
• 5.1.1 半监督K-均值聚类算法
• 5.1.2 改进的半监督K-均值聚类算法
• 5.2 半监督K-均值聚类实验
• 5.2.1 半监督K-均值聚类算法
• 5.2.2 改进的半监督K-均值聚类算法
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 论文工作总结
• 6.2 研究展望
• 参考文献
• 致谢
• 摘要
• Abstract