FCM聚类及其增量算法的研究

论文摘要

作为数据挖掘技术的一个重要分支,聚类分析是数据挖掘中一种非常重要的挖掘方法。它主要研究数据之间的物理或逻辑关系,通过一组特定的规则把数据集划分成为若干个由性质相似的数据点组成的类。模糊C-均值聚类算法是一种比较常用的聚类分析算法。它通过不断重复地修改聚类中心以及隶属度矩阵,从而实现对样本进行自动分类的目的。由于初始聚类中心对FCM聚类算法的影响较大,目前存在大量的改进算法。本文探讨了模糊C-均值聚类的改进及其增量聚类算法。所做的主要工作如下:1.分析了FCM聚类算法的优缺点,并针对缺点进行改进,在目标函数中引入拉普拉斯系数,把对象间的结构信息转换为权重,从而提高算法的质量以及效率。将改进后的算法与增量聚类算法结合,该算法避免了大量的重复计算,并且不受孤立点的影响。2.分析了现有的半监督模糊C-均值聚类算法,提出了一种基于改进的半监督模糊C-均值聚类方法。该算法把基于蚁群算法的模糊C-均值算法与半监督模糊C-均值聚类算法相结合,通过改变目标函数来提高算法的性能。当已标记样本占总样本数的比例越大时,算法性能越高。3.对改进后的算法选取部分数据集使用MATLAB进行仿真实验,与其它算法的聚类结果进行比较,并分析实验结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 国内外研究现状
• 1.3 本文所做的工作
• 1.4 本文的内容组织
• 第二章 聚类
• 2.1 聚类概述
• 2.2 聚类的相似度度量方法
• 2.2.1 聚类分析中的数据结构
• 2.2.2 聚类分析中的数据类型
• 2.2.3 相异度计算方法
• 2.3 聚类算法的评价标准
• 2.4 主要的聚类算法
• 2.4.1 基于划分的方法
• 2.4.2 基于层次的方法
• 2.4.3 基于密度的方法
• 2.4.4 基于网格的方法
• 2.4.5 基于模型的方法
• 2.5 本章小结
• 第三章 基于模糊C-均值聚类的增量算法
• 3.1 增量聚类算法概述
• 3.2 模糊C-均值聚类算法
• 3.2.1 HCM 算法和FCM 算法
• 3.2.2 FCM 算法的不足之处
• 3.3 基于模糊C-均值聚类的增量算法
• 3.3.1 改进的聚类算法
• 3.3.2 增量聚类算法
• 3.4 仿真实验
• 3.5 本章小结
• 第四章 基于改进的半监督 FCM 聚类算法
• 4.1 半监督聚类概述
• 4.1.1 半监督学习
• 4.1.2 半监督聚类相关知识
• 4.2 蚁群算法
• 4.2.1 蚁群算法概述
• 4.2.2 蚁群算法相关定义
• 4.2.3 基于蚁群算法的FCM 聚类算法
• 4.3 半监督FCM 聚类算法
• 4.4 基于改进的半监督FCM 聚类算法
• 4.5 聚类评价方法
• 4.6 仿真实验
• 4.7 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 附录 （攻读硕士学位期间发表录用目录）
• 摘要
• ABSTRACT