模塊度可用于檢測社區(qū)網絡結構的強度,取值越大表明劃分后同一社區(qū)內部關系越緊密,不同社區(qū)之間的關系越疏離,該特點與聚類的目標不謀而合。因此,近年來愈來愈多的聚類算法基于模塊度進行設計,并取得了較好的聚類效果。然而,這些算法多屬于硬聚類的范疇,受限于隸屬度只能取0和1二值,聚類的準確率仍可進一步提高。此外,聚類分析過程結束后,聚類有效性檢驗是一個關鍵環(huán)節(jié),常以有效性指標的取值衡量聚類算法性能以及準確率方面的優(yōu)劣,已提出的有效性指標或判斷結果不夠準確,或魯棒性較差。針對以上問題,本文基于模塊度對模糊聚類算法展開研究,研究內容包括:(1)為了提高聚類算法的準確度,提出一種基于模塊度最大化的模糊聯合聚類算法MMFCC(Modularity Maximization based Fuzzy Co-Clustering)。該算法將模糊聚類思想應用于硬聯合聚類算法CoClus(Co-Clustering)中,交替迭代計算對象和屬性兩個模糊隸屬度矩陣,直至模塊度值增大到穩(wěn)定狀態(tài),產生最優(yōu)的聚類結果,并以對角矩陣塊的方式顯示結果簇。本文使用稀疏真實數據集進行實驗,從實驗結果可看出,與其他對角聯合聚類算法和...

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 使用距離度量的模糊聚類方法
        1.2.2 模塊度度量方法
        1.2.3 模糊聚類有效性驗證方法
    1.3 論文的主要工作和創(chuàng)新點
    1.4 論文的組織結構
2 相關工作
    2.1 FCM算法
    2.2 模塊度
        2.2.1 用于圖聚類的模塊度
        2.2.2 用于文本聚類的模塊度
    2.3 Co Clus算法
    2.4 FCCM算法
    2.5 二分模塊度
    2.6 WGLI指標
    2.7 本章小結
3 基于模塊度最大化的模糊聯合聚類算法
    3.1 引言
    3.2 基于模塊度最大化的模糊聯合聚類算法
    3.3 實驗與分析
        3.3.1 數據集介紹
        3.3.2 評價標準
        3.3.3 實驗結果
    3.4 本章小結
4 基于二分模塊度的模糊聚類有效性指標
    4.1 引言
    4.2 模糊聚類有效性指標CSBM
        4.2.1 類內緊致性
        4.2.2 類間分離性
        4.2.3 CSBM指標
    4.3 實驗與分析
        4.3.1 實驗準備
        4.3.2 實驗結果
    4.4 本章小結
5 總結與展望
    5.1 工作總結
    5.2 工作展望
參考文獻
作者簡介
學位論文數據集



本文編號：3739368