聚類分析是一種無監(jiān)督的學習方式,是數(shù)據(jù)挖掘的重要途徑之一,也是統(tǒng)計機器學習、模式識別的重要研究方向之一.目前,針對數(shù)值型數(shù)據(jù)的聚類研究已取得豐碩的成果,而實際應用中,存在大量的分類型或混合型數(shù)據(jù).因此,研究不同類型數(shù)據(jù)下的聚類算法就尤為重要.而聚類過程中通常又面臨兩大難題:類中心的選擇和聚類個數(shù)的確定.為了解決這兩個問題,本文分別以分類型和混合型數(shù)據(jù)為例,取得了以下研究成果:（1）針對分類型數(shù)據(jù),本文主要研究分類型矩陣對象數(shù)據(jù)（一個屬性上有多個取值的數(shù)據(jù)）,并基于矩陣對象數(shù)據(jù)提出一種改進的MD fuzzy（?）-modes算法.該算法拓展了簡單的“0-1”匹配,重新定義了矩陣對象數(shù)據(jù)的相異性度量,克服了用傳統(tǒng)算法對該類型數(shù)據(jù)進行聚類會損失信息的不足.在類中心的選擇上,結合模糊集概念,提出一種啟發(fā)式更新算法,大大減少了時間復雜度.最后,在5個UCI數(shù)據(jù)集上驗證了MD fuzzy（?）-modes算法的有效性.（2）針對混合型數(shù)據(jù),基于信息熵給出了屬性權重的新度量方法,并提出一種加權（?）-prototype算法來確定聚類個數(shù).該算法在考慮屬性權重的情況下,重新定義了混合數(shù)據(jù)缺失某類的類間... 

【文章來源】：山西大學山西省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 分類型數(shù)據(jù)聚類研究現(xiàn)狀
        1.2.2 混合型數(shù)據(jù)聚類研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文的組織結構
第二章 聚類的相關理論
    2.1 聚類的概念
    2.2 聚類分析的基本步驟
    2.3 常見的數(shù)據(jù)類型
    2.4 聚類分析的應用領域
    2.5 聚類算法的主要類別
    2.6 本章小結
第三章 基于分類型矩陣對象數(shù)據(jù)的MD fuzzy k-modes聚類算法
    3.1 引言
    3.2 回顧fuzzy（?）-modes算法
    3.3 基于矩陣對象數(shù)據(jù)的MD fuzzy（?）-modes聚類算法
        3.3.1 矩陣對象間的相異性度量
        3.3.2 啟發(fā)式更新算法
        3.3.3 MD fuzzy（?）-modes聚類算法
    3.4 實驗結果與分析
        3.4.1 評價指標
        3.4.2 啟發(fā)式與全局性更新類中心算法的比較
        3.4.3 MD fuzzy（?）-modes算法與其他算法的比較
        3.4.4 （?）與（?）的關系
    3.5 本章小結
第四章 基于混合型數(shù)據(jù)的加權k-prototype聚類算法
    4.1 引言
    4.2 （?）-prototype算法的相關研究
    4.3 一種加權的混合數(shù)據(jù)聚類個數(shù)確定算法
        4.3.1 混合數(shù)據(jù)的屬性權重
        4.3.2 尋找最壞類的廣義性機制
        4.3.3 混合數(shù)據(jù)聚類的有效性指標
        4.3.4 混合數(shù)據(jù)相異性度量
        4.3.5 加權（?）-prototype聚類算法
    4.4 實驗結果與分析
        4.4.1 評價指標
        4.4.2 加權（?）-prototype算法與Liang（?）-prototype算法的比較
    4.5 本章小結
總結與展望
參考文獻
攻讀學位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式



本文編號：3016392