聚类组合算法研究与应用

论文摘要

聚类分析将数据集合划分成不同的子集，使得相似的数据对象落入同一簇中。聚类是一种无监督学习方法，不需要事先定义类别信息或给出训练样例来指明数据对象之间应该具有怎样的关系。如今，聚类分析技术已经在许多领域有各种应用，其中包括数据挖掘、机器学习、模式识别、图像分析和生物信息学等，并受到了越来越广泛的关注。虽然目前已经提出了许许多多的聚类算法，但是，这些算法都存在着各自的局限，例如，可伸缩性不强、不能发现具有任意形状的聚类、对输入数据的顺序敏感等等。二〇〇二年，Strehl和Ghosh首次正式提出了“聚类组合”的概念，即在不使用数据对象原有特征的前提下，合并一个数据集上的多个划分。聚类组合方法在鲁棒性、新颖性、稳定性、并行性、可扩展性等等诸多方面优于单一的聚类算法。尽管众多实验表明组合聚类方法确实能够得到比单一聚类算法更优的结果，但是该方法发展远未达到成熟。本文的研究内容与贡献总结为以下两个方面：（一）本文在深入研究聚类组合算法关键技术的基础上，提出了一种新的聚类组合方法——基于非负矩阵分解技术的聚类组合算法（简记为NMFCCA）。运用NMFCCA算法，不仅能够进行“硬－硬”聚类之间的组合，而且支持“软－硬”聚类与“软－软”聚类之间的组合。此外，借助非负矩阵分解技术，既可以有效地从聚类成员集合中抽取数据对象的特征信息，又可以降低聚类成员中的噪声对聚类组合的影响。最后通过在人工数据集和真实数据集上的多组对比实验证明了本文提出的算法是有效可行的。（二）本文将聚类组合算法应用于医学图像分割领域。众所周知，医学图像分割是一个长期存在的问题，很难设计一个通用的图像分割算法。医学图像分割的目标是对图像的每个像素点的进行标记，每个标记对应于一个突出的图像区域。因此，图像分割可以被看作是聚类问题，继而聚类组合方法可作为提升图像分割质量的一种自然的解决方法。该方法把单一图像分割算法的结果可以看作是一个聚类成员，借助聚类组合算法的共识函数进行组合处理，最终得到一个共识分割结果。在淋巴肿瘤细胞与乳腺肿瘤细胞图像上的分割实验表明，聚类组合后的图像分割的结果相比于原先单一算法的结果有明显提高。

论文目录

• 中文摘要
• Abstract
• 目录
• 第1章 引言
• 1.1 研究背景及选题意义
• 1.2 本文主要完成的工作
• 1.3 本文的组织
• 第2章 聚类分析
• 2.1 聚类分析基本概念
• 2.1.1 聚类
• 2.1.2 聚类分析
• 2.2 聚类分析中的数据结构
• 2.3 聚类分析方法的五种基本类型
• 2.3.1 基于划分的聚类分析方法
• 2.3.1.1 K－均值聚类算法
• 2.3.1.2 PAM 聚类算法
• 2.3.1.3 CLARA 聚类算法
• 2.3.1.4 CLARANS 聚类算法
• 2.3.1.5 K－众数聚类算法
• 2.3.1.6 模糊 C－均值聚类算法
• 2.3.2 基于层次的聚类分析方法
• 2.3.2.1 BIRCH 聚类算法
• 2.3.2.2 CURE 聚类算法
• 2.3.2.3 变色龙聚类算法
• 2.3.3 基于密度的聚类分析方法
• 2.3.3.1 DBSCAN 聚类算法
• 2.3.3.2 DENCLUE 聚类算法
• 2.3.3.3 OPTICS 聚类算法
• 2.3.4 基于网格的聚类分析方法
• 2.3.4.1 STING 聚类算法
• 2.3.4.2 小波聚类算法
• 2.3.4.3 CLIQUE 聚类算法
• 2.3.5 基于模型的聚类分析方法
• 2.3.5.1 COBWEB 聚类算法
• 2.3.5.2 自组织特征映射聚类算法
• 2.4 本章小结
• 第3章 聚类组合
• 3.1 聚类组合基本概念
• 3.2 聚类组合的优点
• 3.3 产生聚类成员
• 3.4 共识函数设计
• 3.4.1 优选法
• 3.4.2 超图法
• 3.4.2.1 超图
• 3.4.2.2 基于超图的算法
• 3.4.3 混合二部图法
• 3.4.4 证据累积法
• 3.4.5 混合模型法
• 3.4.6 互信息法
• 3.4.7 最近邻法
• 3.5 比较聚类划分的量度标准
• 3.5.1 分类精度
• 3.5.2 Rand 指数与 Jaccard 指数
• 3.5.3 修正的 Rand 指数
• 3.5.4 信息熵与互信息
• 3.5.5 Co-association 矩阵
• 3.6 本章小结
• 第4章 基于非负矩阵分解的聚类组合
• 4.1 引言
• 4.2 生成阶段
• 4.3 组合阶段
• 4.3.1 数据结构的选择
• 4.3.2 非负矩阵分解的引入
• 4.3.2.1 非负矩阵分解的定义
• 4.3.2.2 三种典型的非负矩阵分解方法
• 4.3.3 组合阶段的具体步骤
• 4.4 混合型 NMFCCA 算法
• 4.4.1 算法流程
• 4.4.2 选择最佳聚类划分
• 4.5 仿真实验
• 4.5.1 实验环境
• 4.5.1.1 实验的硬件环境
• 4.5.1.2 实验的软件环境
• 4.5.2 实验数据集
• 4.5.2.1 人工数据集
• 4.5.2.2 真实数据集
• 4.5.3 实验结果的量化评价
• 4.5.4 实验步骤与结果分析
• 4.5.4.1 实验一
• 4.5.4.2 实验二
• 4.5.4.3 实验三
• 4.6 本章小结
• 第5章 聚类组合在医学图像分割中的应用
• 5.1 基于聚类组合的医学图像分割模型
• 5.2 实验设计
• 5.2.1 实验环境
• 5.2.1.1 实验的硬件环境
• 5.2.1.2 实验的软件环境
• 5.2.2 实验步骤及其结果
• 5.3 本章小结
• 总结与展望
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的学术论文