基于密度的層次聚類算法研究.pdf

《基于密度的層次聚類算法研究.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、UniversityofScienceandTechnologyofChina碩士學(xué)位論義論文題目于密度的層次聚類算法研走張文幵作者姓名計(jì)算機(jī)軟件與理辦學(xué)科專業(yè)養(yǎng)索教梭導(dǎo)師姓名二〇一五年五月完成時間十科嗲敉水大嗲碩士學(xué)位論文基于密度的層次聚類算法研究作者姓名：張文開學(xué)科專業(yè)：計(jì)算機(jī)軟件與理論導(dǎo)師姓名：李京教授完成時間：二一五年五月二十二曰UniversityofScienceandTechnologyofChinaAdissertationformaster'sdegreeResearchonDensity-basedHierarchicalClusterin

2、gAlgorithmAuthor'sName：：：中國科學(xué)技術(shù)大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下進(jìn)行研宄工作所取得的成果。除己特別加以標(biāo)注和致謝的地方外，論文中不包含任何他人已經(jīng)發(fā)表或撰寫過的研究成果。與我一同工作的同志對本研宄所做的貢獻(xiàn)均已在論文中作了明確的說明。中國科學(xué)技術(shù)大學(xué)學(xué)位論文授權(quán)使用聲明作為申請學(xué)位的條件之一，學(xué)位論文著作權(quán)擁有者授權(quán)中國科學(xué)技術(shù)大學(xué)擁有學(xué)位論文的部分使用權(quán)，即：學(xué)校有權(quán)按有關(guān)規(guī)定向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱，可以將學(xué)位論文編入《中國學(xué)位論文全文數(shù)據(jù)庫》等有關(guān)數(shù)

3、據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。本人提交的電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。保密的學(xué)位論文在解密后也遵守此規(guī)定?？诒Ｃ埽辏┖炞秩掌冢骸垲愒谀Ｊ阶R別中被稱為無監(jiān)督分類，在統(tǒng)計(jì)學(xué)中被稱為非參數(shù)估計(jì)。其目的是在無先驗(yàn)知識的情況下，根據(jù)數(shù)據(jù)對象之間的相似性來完成數(shù)據(jù)分類，從而加深對數(shù)據(jù)的理解，或者作為一種數(shù)據(jù)壓縮的工具。聚類分析被廣泛使用在眾多領(lǐng)域，比如計(jì)算機(jī)視覺、生物信息學(xué)、圖像處理、數(shù)據(jù)庫知識發(fā)現(xiàn)等。雖然數(shù)以千計(jì)的聚類算法已經(jīng)被提出，但挑戰(zhàn)依然存在：類形狀不一，處理高維數(shù)據(jù)，怎樣決定聚類結(jié)果中類的數(shù)量，結(jié)果中一個

4、正確的類如何定義，聚類結(jié)果難以評價等等。通過指定數(shù)據(jù)所在的聚集區(qū)域的基于密度的聚類算法在處理形狀復(fù)雜的類上表現(xiàn)很好。近期，提出了一種新的密度聚類算法該算法和其他密度聚類算法一樣，能處理復(fù)雜形狀的聚類，也不需要提前指定數(shù)據(jù)中類的數(shù)量。同時，需要較少的用戶指定參數(shù)。與一些迭代聚類算法相比，該算法運(yùn)行時間低。另外，該算法的研究小組利用人臉數(shù)據(jù)庫中的圖片聚類證明了處理高維數(shù)據(jù)的能力。然而，通過分析，我們發(fā)現(xiàn)看似如此優(yōu)雅的算法在面臨一些情況時效果不好。首先，相對稀疏的類中心容易被的決策圖所忽略。另外，該算法聚類成功有一個很嚴(yán)格的條件那就是數(shù)據(jù)集里每個類中有且僅有一個密度

5、極值點(diǎn)，超過一個則算法結(jié)果中類會被分裂。受層次聚類算法的啟發(fā)，本文提出了一個新的基于密度的層次聚類算法，即基于。具體地，我們在類中心選取時使用積極策略得到初始聚類結(jié)果，然后利用一個改進(jìn)的類間距離計(jì)算模型計(jì)算不同類間相似度，根據(jù)相關(guān)數(shù)據(jù)逐步融合子類得到最終的聚類結(jié)果。該算法可以發(fā)現(xiàn)稀疏的類，且打破了對聚類中心的嚴(yán)格需求，能更好地應(yīng)用于無密度極值點(diǎn)的數(shù)據(jù)。我們通過實(shí)驗(yàn)證明了算法在沒有唯一密度極值點(diǎn)的數(shù)據(jù)集上的仍然有效，并且在實(shí)驗(yàn)中，我們的算法獲得了不輸于數(shù)據(jù)來源處所使用的算法的聚類效果。另外，在本算法中，參數(shù)選擇更加容易。關(guān)鍵字：聚類密度極值近鄰圖層次聚類相似性密

6、度高密度距離AbstractABSTRACTClusteringisknownastheunsupervisedclassificationinpatternrecognition,ornonparametricdensityestimationinstatistics.Theaimistopartitiongivendatasetofpointsorobjectsintonaturalgrouping(s)accordingtotheirsimilaritytoimproveunderstandingontheconditionofnopriori-know

7、ledge,orbeasamethodtocompressdata.Clusteranalysishasbeenwidelyusedinalotoffields,likecomputerversion,bioinformatics,imageprogressing，，，，，，todeteriminetheparameters.KeyWords:clustering,densitypeaks，，，，目錄目錄第章緒論數(shù)據(jù)挖掘簡介聚類分析聚類分析中的相似度計(jì)算聚類算法研究現(xiàn)狀本文工作相關(guān)研究背景論文主要內(nèi)容及貢獻(xiàn)本文組織第章基于密度的啟發(fā)式算法及相關(guān)實(shí)驗(yàn)引言算法中幾

8、個重要參數(shù)算法算法的偽代碼和時間復(fù)雜度