模糊連接點聚類算法(Fuzzy Joint Points,FJP)是近年來出現(xiàn)的一種新型模糊聚類算法,其優(yōu)點是不需要預先設定聚類個數(shù),能通過數(shù)據(jù)點的連接關系判斷數(shù)據(jù)點間的類別相似性,具有較好的魯棒性。但應用中該算法也有若干不足:(1)FJP算法以劃分結果中頻率最高的聚類簇數(shù)為最佳聚類數(shù),這種定奪方式在很多高維數(shù)據(jù)集并不適用,有一定的隨機性,影響算法的準確率。(2)α劃分水平衰減的范圍過大會導致算法迭代次數(shù)多,在大型數(shù)據(jù)集上計算時間會很長。(3)FJP算法中使用簡單的歐氏距離公式計算數(shù)據(jù)元素間的模糊相似度,這在多維的復雜數(shù)據(jù)集上存在結果失真的情況。針對上述問題,本文進行以下兩點改進:(1)針對原FJP算法最佳聚類數(shù)的確定問題,以K插值單純形法的高斯徑向核函數(shù)充分挖掘數(shù)據(jù)元素間的相似關系,并提出Kernels-VCN指標來評估所有劃分結果,遵循類內數(shù)據(jù)盡可能相似和類間數(shù)據(jù)盡可能不相似的原則,最后以直觀的指標值來自動確定最佳劃分水平以及最佳聚類數(shù),提高算法的自適應性。(2)針對FJP算法的α劃分水平衰減范圍過大,造成迭代多的問題,引入2014年《Science》密度峰聚類算法的決策圖輔助FJ...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 選題背景和研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 最佳聚類數(shù)和最佳劃分水平的研究現(xiàn)狀
        1.2.2 計算模糊相似度的研究現(xiàn)狀
        1.2.3 劃分水平的范圍
    1.3 本文研究內容
    1.4 論文結構
第二章 模糊連接點聚類算法簡介
    2.1 算法的相關定義
        2.1.1 模糊相似度矩陣
        2.1.2 圓錐形模糊點集
    2.2 FJP算法流程
        2.2.1 FJP-2008算法簡介
        2.2.2 FJP2016算法流程圖
    2.3 本章小結
第三章 基于有效近鄰簇(VCN)的自適應FJP聚類算法
    3.1 確定最佳聚類數(shù)的相關指標
        3.1.1 Davies-Bouldin(DB)指標
        3.1.2 In-Group Proportion(IGP)指標
        3.1.3 Wint指標
        3.1.4 Calinski-Harabasz(CH)指標
        3.1.5 VCN指標
    3.2 距離計算函數(shù)
    3.3 Kernels-VCN指標
        3.3.1 Kernels-VCN指標的相關概念定義
        3.3.2 Kernels-VCN指標和最佳聚類數(shù)的確定
    3.4 基于有效近鄰簇(VCN)的自適應FJP聚類算法
    3.5 仿真實驗與分析
        3.5.1 實驗環(huán)境和實驗數(shù)據(jù)集
        3.5.2 聚類結果分析
    3.6 本章小結
第四章 基于決策圖的自適應FJP算法
    4.1 MFJP算法中最佳α劃分水平的確定問題
    4.2 決策圖確定最佳聚類數(shù)
        4.2.1 決策圖原理和相關定義
        4.2.2 決策圖確定聚類中心
    4.3 基于決策圖的自適應FJP算法
    4.4 仿真實驗與分析
        4.4.1 實驗環(huán)境和實驗數(shù)據(jù)集
        4.4.2 聚類結果分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表論文情況



本文編號：3874484