基于聚合場模型的數(shù)據(jù)競爭算法及其應用研究.pdf

1、聚類分析是探索未知數(shù)據(jù)內(nèi)在結構的一種統(tǒng)計分析方法,起源于分類學,其重要性及在其他研究方向的交叉性得到研究者們的一致肯定。聚類分析是一種把數(shù)據(jù)集劃分成有意義的或者有用的組/簇的技術,它已經(jīng)成為數(shù)據(jù)挖掘、模式識別等領域的主要研究內(nèi)容。目前,聚類算法在彩色圖像分割、機器視覺、文本聚類、數(shù)據(jù)壓縮和信息檢索等領域已經(jīng)得到了廣泛的應用。另外,聚類還可以應用于多關系數(shù)據(jù)挖掘、時空數(shù)據(jù)庫應用、序列和異類數(shù)據(jù)分析、生物信息學以及市場營銷等學科。現(xiàn)存的劃分

2、聚類算法對孤立點和噪聲敏感,嚴重影響到算法的穩(wěn)定性。另外,由于數(shù)據(jù)的內(nèi)在結構日趨復雜,對聚類的質(zhì)量也提出了更高的要求。本論文針對劃分聚類存在的問題進行了研究,主要進行了以下幾個方面的工作:
　　(1)聚類分析是在一個合理的模型框架內(nèi),對數(shù)據(jù)的內(nèi)在結構進行探索的過程。然而,現(xiàn)存的部分模型不能很好地描述劃分聚類問題。本論文首先提出一種新的聚合場模型,定義不同數(shù)據(jù)對象的特征,以此為基礎設計了幾種去噪和處理孤立點的策略。隨后設計實現(xiàn)了一種

3、基于聚合能量的改進K-Means算法——AEKMA,為K-Means提供更好的初始質(zhì)心。實驗結果表明,AEKMA能夠為KM算法進行較好的初始化,改進算法的性能超過K-Means算法。
　　(2)在深入研究聚合場模型原理的基礎上,設計實現(xiàn)了一種全新的基于數(shù)據(jù)競爭的劃分聚類算法——DCA。DCA認為所有的數(shù)據(jù)對象都可以作為潛在的代表點,通過數(shù)據(jù)對象間的競爭最終篩選出最適合作為代表點的數(shù)據(jù)對象的集合,隨后指導完成聚類過程。實驗結果表明D

4、CA性能優(yōu)越,能夠去除孤立點帶來的干擾,聚類結果穩(wěn)定、有效,與其他常用的劃分聚類算法相比較具有明顯的優(yōu)勢。
　　(3)對DCA在文本數(shù)據(jù)上的應用進行深入的研究,發(fā)現(xiàn)如果DCA直接應用于文本數(shù)據(jù)往往不能得到理想的聚類結果。其原因在于文本數(shù)據(jù)大多非結構化、空間結構復雜、高維稀疏,存在維數(shù)災難現(xiàn)象。所以,優(yōu)化和改善文本的內(nèi)在結構是解決文本聚類的一個新思路。譜聚類集成算法本質(zhì)上是完成數(shù)據(jù)從高維到低維的譜映射,可以獲得空間結構相對簡單的原數(shù)

5、據(jù)的低維嵌入,為聚類算法提供空間結構簡單的數(shù)據(jù)。據(jù)此,設計實現(xiàn)了一種基于數(shù)據(jù)競爭的文本譜聚類集成算法——DCCESA,實驗結果表明DCCESA獲得了比常用聚類集成算法更優(yōu)越的結果。該方法不僅聚類質(zhì)量高,而且算法的運行效率也較好,是解決文本聚類集成問題的有效方法。
　　(4)進一步研究DCA在圖像分割領域中的應用,由于DCA時間復雜度為O?n2?,不太適合處理大圖像。但是,一系列的實驗表明DCA雖然在一定的軟硬件條件下不能勝任大圖像