基于混合特征的模糊聚类技术研究

论文摘要

随着信息技术和数据库技术的迅猛发展,人们可以非常方便地获取和存储大量的数据。如何从大量的数据中快速提取有用的和感兴趣的信息,成为海量信息处理面临的瓶颈。聚类分析技术作为一种重要的数据挖掘技术,经过近十年快速发展,已被广泛应用到人工智能、信息控制、医疗诊断、天气预报、图像分析等领域。在传统的研究中,人们一般总把样本看作特征空间中的点,认为模式的特征由数值刻画,因此主要的研究兴趣放在分析数据集中蕴含的信息和揭示点集内在的自然结构上,很少关心数据集的来源、表征形式及其他性质。实际上,在数据挖掘中我们经常会遇到这样一个问题:随着样本集的扩大,聚类分析的计算量越来越大,那么,如何对样本集有效的进行压缩、表征,以加快聚类分析的速度成为一个值得研究的问题.针对这个问题,本文开展了积极的研究,致力于寻找一种有效的针对混合特征的聚类分析方法,主要取得了以下研究成果:(1)提出了一种基于混合特征的模糊聚类方法。传统聚类方法很少对数据特征之间的关系以及数据特征与聚类结果质量进行分析度量,为此,我们深入研究了聚类一致性和聚类完全性的实现方法,并实现了一种有效的迭代计算方法。在此基础,我们发展了一种基于混合特征的模糊聚类算法,该算法首先利用特征分析对大样本集进行压缩,然后通过基于混合特征的聚类一致性和聚类完全性迭代计算,对特征样本展开有效的聚类分析,最后将有效的特征聚合在一起,形成了一种高效的基于混合特征的模糊聚类方法。(2)开发了一个基于混合特征的模糊聚类可重用软件模块:图像处理函数库、特征提取函数库、图像数据管理模块和基于混合特征的模糊聚类分析模块。该软件模块能够很方便的增加各类数据特征的提取操作,并构建聚类一致性和聚类完全性的混合特征集合,可以应用到各种复杂大规模的数据聚类分析应用当中。通过大量的数值仿真例子和实际遥感图像处理例子,我们验证了本文提出的基于混合特征的模糊聚类方法与传统聚类方法相比是一种高效的方法;将该方法应用到遥感图像处理中,可以从多个特征中筛选合适的特征,高效地进行遥感图像的聚类分析。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的和意义
• 1.2 国内外研究现状
• 1.3 本文主要内容与组织结构
• 第二章 聚类分析与聚类算法简介
• 2.1 聚类分析
• 2.1.1 基本概念
• 2.1.2 聚类分析的工作流程
• 2.2 聚类算法
• 2.2.1 划分式聚类算法
• 2.2.2 层次聚类算法
• 2.2.3 基于网格和密度的聚类算法
• 2.2.4 其他聚类算法
• 2.3 聚类算法的性能评估
• 2.3.1 聚类算法的特性
• 2.3.2 聚类算法的评价
• 2.3.3 聚类算法的有效性
• 2.4 模糊聚类算法
• 2.4.1 模糊C均值聚类算法
• 2.4.2 模糊聚类算法的不足
• 2.5 本章小结
• 第三章 基于混合特征的模糊聚类方法
• 3.1 数据混合特征提取
• 3.1.1 数据特征
• 3.1.2 数据特征提取
• 3.1.3 混合数据特征提取
• 3.2 模糊聚类方法的改进
• 3.2.1 改进的基本思路
• 3.2.2 特征提取机制
• 3.2.3 特征的聚类一致性度量
• 3.2.4 聚类完全的混合特征集
• 3.3 基于混合特征的模糊聚类算法
• 3.3.1 算法框架
• 3.3.2 基于混合特征的模糊C均值聚类算法
• 3.3.3 算法分析
• 3.4 试验结果及分析
• 3.4.1 点集聚类
• 3.4.2 线型聚类
• 3.5 本章小结
• 第四章 基于混合特征的遥感图像模糊聚类分析
• 4.1 遥感图像聚类分析
• 4.1.1 研究的背景和意义
• 4.1.2 遥感图像数据
• 4.1.3 遥感图像模糊聚类分析技术
• 4.2 基于混合特征的遥感图像聚类
• 4.2.1 遥感图像模糊聚类分析系统
• 4.2.2 图像处理函数库
• 4.2.3 图像特征提取函数库
• 4.3 试验结果
• 4.3.1 遥感图像数据的准备
• 4.3.2 图像聚类特征提取函数集合
• 4.3.3 试验结果
• 4.4 本章小结
• 第五章 结束语
• 参考文献
• 发表和录用文章目录
• 致谢
• 个人简历