核聚类算法及其应用研究

论文摘要

数据挖掘是信息管理领域中一个重要的研究课题，数据挖掘技术已经广泛地应用到很多行业中。聚类分析是数据挖掘中的核心技术之一，目前聚类算法中应用最广泛的k-means算法虽然简明、实用，但它没有对样本特征进行优化，其有效性很大程度上取决于数据点的分布情况，当样本边界为线性不可分或者样本分布为非高斯分布时，聚类效果较差，无法达到高精确度的聚类要求；而核函数的引入增加了对样本特征的优化，通过将样本点从输入空间映射到高维特征空间，将非线性学习问题转化为线性学习问题，从而实现了更为准确的聚类。而目前核聚类算法中的硬划分方法缺乏健壮性，模糊聚类方法又存在需要人为定义模糊参数等不足，因此有待于进一步改进。本文提出一种改进的模糊核聚类算法——它是将HCM，FCM和核方法结合在一起，该算法的思想是将样本数据映射到特征空间，然后在特征空间内计算类中心、隶属度以及距离表达式，再在特征空间内进行模糊聚类，并且对那些个别样本（即隶属度比较接近的样本）加入了截集因子λ确定样本的归属，确保聚类的效果。实际数据的实验结果表明，与传统的模糊聚类算法相比，改进的模糊核聚类算法在多种数据结构条件下可以有效地进行聚类，总体性能优于HCM，FCM和FKCM。最后将该算法应用到入侵检测技术中，因聚类效果的提高，有效的检测了入侵攻击，并用仿真实验证明该算法入侵检测的有效性

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 背景与意义
• 1.2 核方法研究进展
• 1.3 核聚类研究进展
• 1.4 本文的主要内容
• 1.5 论文架构
• 2 聚类分析与核方法
• 2.1 聚类分析
• 2.1.1 聚类分析的概念
• 2.1.2 聚类分析的应用
• 2.1.3 聚类分析的要求
• 2.1.4 聚类分析中的聚类准则函数
• 2.1.5 聚类算法的种类
• 2.1.6 常用聚类算法的比较分析
• 2.1.7 聚类算法的总结
• 2.2 核方法的基本知识
• 2.2.1 引言
• 2.2.2 基本知识
• 2.2.3 积特征
• 2.2.4 再生核理论与 MERCER定理
• 2.2.5 核方法总结
• 3 一种改进的模糊核聚类算法
• 3.1 引言
• 3.2 模糊聚类算法
• 3.3 截集模糊聚类算法
• 3.4 一种改进后的模糊核聚类算法
• 3.4.1 流程图
• 3.4.2 数值仿真
• 3.4.3 实验结果与性能比较
• 4 模糊核聚类算法在入侵检测中的应用
• 4.1 入侵检测概述
• 4.1.1 入侵检测技术背景
• 4.1.2 通用入侵检测模型
• 4.1.3 入侵检测数据源
• 4.1.4 入侵检测与人工智能的结合
• 4.1.5 评枯入侵检测系统的性能
• 4.2 基于聚类的入侵检测方法
• 4.2.1 在入侵检测中使用聚类技术
• 4.2.2 利用核聚类算法检测攻击
• 4.3 具体实验分析
• 4.3.1 实验数据集
• 4.3.2 数据预处理
• 4.3.3 实验结果
• 4.4 小结
• 总结与展望
• 参考文献
• 科研成果简介
• 致谢