支持向量机与K-均值聚类融合算法研究

论文摘要

本文在介绍了支持向量机和K-均值聚类算法的基本理论的基础上,对支持向量机和K-均值聚类算法的融合算法进行了研究,详细介绍了改进算法的理论知识,并通过实验验证了算法的有效性。支持向量机是在统计学习理论基础上发展出来的一种新的、非常有效的机器学习方法,它集优化、核、最佳推广能力等特点于一身,较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。尽管支持向量机有着其它机器学习方法无法比拟的优势,但也有其自身局限性。针对其对噪声和野点敏感的问题,我们提出了基于模糊隶属度的支持向量机去噪方法,在线性规划下的一类分类支持向量机中引入模糊隶属度,剔除样本中的噪声和野点,并在多种数据集上验证了算法的有效性。K-均值算法是解决聚类问题的一种简洁、快速的经典算法。如果样本是密集的,并且类与类之间是线性可分的,它的效果最好;但是如果类与类之间是线性不可分的,它的聚类效果就很不理想。针对这个问题,我们提出了基于支持向量机的K-均值聚类算法,将一类分类支持向量机引入K-均值聚类算法之中。文中在人工数据集（Delta Set）和UCI数据集（Iris Data）上分别进行了实验,实验证明,此算法与其它算法相比,聚类精度明显提高。而且线性规划下的支持向量机比引用二次规划下的支持向量机,不仅提高了聚类精度,而且极大的降低了算法的复杂性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 论文研究的背景及意义
• 1.2 本文的研究内容及组织结构
• 1.2.1 研究内容
• 1.2.2 组织结构
• 2 支持向量机理论
• 2.1 基于二次规划的支持向量机分类
• 2.1.1 线性可分
• 2.1.2 线性不可分
• 2.1.3 一类分类
• 2.2 基于线性规划的支持向量机分类
• 2.3 基于模糊隶属度的支持向量机去噪方法
• 2.3.1 构造隶属度函数
• 2.3.2 实现步骤
• 2.3.3 实验分析
• 2.3.4 实验总结
• 3 K-均值聚类算法
• 3.1 划分聚类算法概述
• 3.2 聚类分析中数据类型
• 3.3 聚类分析中相似度度量方法
• 3.4 聚类分析中聚类准则函数
• 3.5 K-均值聚类算法
• 3.5.1 K-均值聚类算法简介
• 3.5.2 K-均值聚类算法基本思想及算法流程
• 3.5.3 K-均值聚类算法的特点和存在的问题
• 3.5.4 K-均值聚类算法初值的选取方法
• 3.6 基于支持向量机的K-均值聚类算法
• 3.6.1 算法简介
• 3.6.2 实现步骤
• 3.6.3 实验分析
• 3.6.4 实验总结
• 4 总结与展望
• 参考文献
• 致谢
• 附录 攻读硕士学位期间发表的学术论文