【摘要】：隨著信息時代到來,數(shù)據(jù)量激增,數(shù)據(jù)復雜度高,如何從這些數(shù)據(jù)中挖掘有用信息正成為數(shù)據(jù)挖掘的一個重要研究方向。聚類研究是數(shù)據(jù)挖掘的一個主要方法,是一種有效分析數(shù)據(jù)、挖掘有效信息的方式。傳統(tǒng)的聚類算法如k均值算法、k中心點算法等在處理日漸復雜的數(shù)據(jù)時顯得力不從心。譜聚類是一種建立在圖論基礎上的新型聚類算法,近年來譜聚類算法因其具有堅實的理論基礎和優(yōu)異的聚類效果吸引了越來越多的學者對其進行研究。但是只采用一種聚類算法通常無法處理各類異構數(shù)據(jù)集和計算過程中面對的問題。聚類集成的思路是通過一定的方式整合多個學習器產生的基聚類以產生新的聚類結果,因其結合了學習器的差異性和精確性,所以集成算法泛化能力強,生成聚類結果更優(yōu)。膜計算是仿照生物細胞膜工作機制提出的一種高效、新穎的計算模型,它涉及計算科學與生命科學兩大領域,是一門綜合學科。本文主要對譜聚類算法、譜聚類集成算法以及膜計算進行了研究,具體研究內容如下:首先,介紹了本文涉及到的膜計算、譜聚類算法、聚類集成算法的研究現(xiàn)狀及國內外研究趨勢。細胞型膜系統(tǒng)、組織型膜系統(tǒng)和神經型膜系統(tǒng)三種膜計算模型的結構、規(guī)則;圖劃分準則、譜聚類概述;聚類集成算法原理、學習器合并策略以及各自研究應用和本文的創(chuàng)新的與難點。其次,本文提出兩種新型組織型膜系統(tǒng)—動態(tài)組織膜系統(tǒng)(Dynamic Tissue-like Membrane System,簡稱DTP系統(tǒng))和混合型動態(tài)組織膜系統(tǒng)(Hybrid Dynamic Tissue-like Membrane System,簡稱HDTP系統(tǒng))。前者可以根據(jù)輸入數(shù)據(jù)調用膜內規(guī)則動態(tài)調整結構,實現(xiàn)自動聚類;后者在DTP系統(tǒng)基礎上將組織型膜系統(tǒng)與細胞型膜系統(tǒng)結合,使之成為適合聚類集成算法的結構。同時利用寄存器證明了DTP系統(tǒng)和HDTP系統(tǒng)的圖靈可計算性。然后,提出兩種基于膜系統(tǒng)的聚類算法。第三章提出基于動態(tài)組織膜系統(tǒng)的改進譜聚類算法(Improved Spectral Clustering Algorithm,簡稱為ISC算法),將基本譜聚類算法中用到的K-means算法初始點的選取方法進行了優(yōu)化,使K-means算法不易受初始聚類中心和離群點的影響提高算法準確性,并將改進算法與膜系統(tǒng)結合,用實驗證明改進算法在聚類準確性和處理球面數(shù)據(jù)集方面的優(yōu)越性。第四章以ISC算法為學習器,利用Bagging技術和選擇性集成策略設計了基于Bagging技術的改進譜聚類選擇性聚類集成算法(Improved Spectral Clustering Selective Clustering Ensemble Algorithm Based on Bagging Technology,簡稱為ISCBE算法),再將此算法與HDTP系統(tǒng)結合,利用其并行計算優(yōu)勢提高算法有效性。本章將HDTP-ISCBE算法與DTP-ISC算法、譜聚類算法及K-means算法進行比較,在UCI數(shù)據(jù)集上顯示出較好的聚類效果。最后,本文將提出的HDTP-ISCBE算法應用到微博用戶和小紅書用戶細分研究中,用網絡爬蟲軟件分別爬取兩個平臺用戶數(shù)據(jù),對數(shù)據(jù)進行清洗、編碼、特征選擇等一系列操作后利用HDTP-ISCBE算法對數(shù)據(jù)進行聚類,以聚類效果衡量算法效率,從實際意義方面分析細分后用戶類型的特征,以此為依據(jù)為企業(yè)針對不同類型微博用戶設計營銷方案提出意見與建議。
【圖文】：

圖 1-1 譜聚類過程為了將數(shù)據(jù)劃分到 k ( k 2)個簇，目前主要有 2-路劃分和多路劃分兩種劃分方法劃分每次使用相同的算法將圖劃分為兩個部分，直到得到的簇數(shù)滿足要求。這種起來簡單易懂，但是運行效率低，，只是用單一特征向量（如 Fiedler 向量）包含的

學習器構造機制
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP311.13;Q811.4

【相似文獻】

相關期刊論文 前10條

1 黃良韜;趙亞群;;雙圖約束譜聚類中的數(shù)據(jù)不相似圖構造[J];信息工程大學學報;2017年05期

2 曲昊;閔潔;;利用譜聚類發(fā)現(xiàn)符號化時間序列中的模式[J];九江職業(yè)技術學院學報;2017年02期

3 唐風琴;丁文文;;基于譜聚類帶有節(jié)點特征的社區(qū)發(fā)現(xiàn)算法[J];中國科學技術大學學報;2018年02期

4 吳彥博;;譜聚類廣義模型和典型算法探析[J];通訊世界;2016年23期

5 張曉琴;安曉丹;曹付元;;基于譜聚類的二分網絡社區(qū)發(fā)現(xiàn)算法[J];計算機科學;2019年04期

6 王俊潔;劉青;;基于譜聚類的自適應新生目標強度狀態(tài)提取[J];計算機工程與設計;2019年03期

7 葉茂;劉文芬;;一種適用于大規(guī)模數(shù)據(jù)的約束譜聚類框架[J];信息工程大學學報;2018年04期

8 宋以寧;劉文萍;駱有慶;宗世祥;;基于線性譜聚類的林地圖像中枯死樹監(jiān)測[J];林業(yè)科學;2019年04期

9 房梁;殷麗華;李鳳華;方濱興;;基于譜聚類的訪問控制異常權限配置挖掘機制[J];通信學報;2017年12期

10 徐雪麗;蘇錦霞;;稀疏譜聚類方法及應用[J];蘭州大學學報(自然科學版);2017年05期

相關會議論文 前8條

1 劉世偉;;基于譜聚類的通信行業(yè)原生家庭識別模型研究[A];2018廣東通信青年論壇優(yōu)秀論文�？痆C];2018年

2 王忠美;顧行發(fā);楊曉梅;;基于邊界指導光譜聚類高分辨遙感圖像分割[A];第四屆高分辨率對地觀測學術年會論文集[C];2017年

3 張魯民;賈焰;周斌;;基于情感計算的微博突發(fā)事件檢測方法研究[A];第27次全國計算機安全學術交流會論文集[C];2012年

4 謝永康;周雅倩;黃萱菁;;一種基于譜聚類的共指消解方法[A];第四屆全國信息檢索與內容安全學術會議論文集（上）[C];2008年

5 陳昆;李躍華;;基于譜聚類的非線性降維算法研究[A];第十一屆全國博士生學術年會——信息技術與安全專題論文集[C];2013年

6 張月;鄒煥新;邵寧遠;秦先祥;周石琳;計科峰;;類別數(shù)目自動估計的極化SAR圖像非監(jiān)督地物分類[A];第四屆高分辨率對地觀測學術年會論文集[C];2017年

7 趙占飛;梁偉;;天然氣壓縮機故障信號聚類方法研究[A];2015年中國機械工程學會設備與維修工程分會學術年會論文集[C];2015年

8 黃春燕;張目;李巖;席春紅;;基于譜聚類的科技型中小企業(yè)信用風險評價研究[A];風險分析和危機反應中的信息技術--中國災害防御協(xié)會風險分析專業(yè)委員會第六屆年會論文集[C];2014年

相關博士學位論文 前10條

1 孔敏;關聯(lián)圖的譜分析及譜聚類方法研究[D];安徽大學;2006年

2 隋毅;基于譜聚類的圖像分割方法研究[D];哈爾濱工程大學;2013年

3 陳麗敏;面向大規(guī)模數(shù)據(jù)集的譜聚類方法研究[D];哈爾濱工程大學;2015年

4 蘇木亞;譜聚類方法研究及其在金融時間序列數(shù)據(jù)挖掘中的應用[D];大連理工大學;2011年

5 楊藝芳;譜聚類與維數(shù)約簡算法及其應用[D];西安電子科技大學;2016年

6 魯斌;幾類復雜網絡度量性質和拓撲性質的研究[D];華南理工大學;2013年

7 宋軍;水交換模型的理論方法及應用研究[D];中國海洋大學;2010年

8 樊沛;虛擬計算環(huán)境中面向通信特征的應用部署優(yōu)化技術研究[D];國防科學技術大學;2012年

9 陳偉;高光譜影像地物智能化提取理論與方法研究[D];解放軍信息工程大學;2012年

10 谷瑞軍;基于流形學習的高維空間分類器研究[D];江南大學;2008年

相關碩士學位論文 前10條

1 胡雪偉;基于動態(tài)組織膜系統(tǒng)的譜聚類集成算法研究與應用[D];山東師范大學;2019年

2 楊陽;基于譜聚類的復雜網絡重疊社團檢測算法研究[D];安徽大學;2019年

3 王若南;基于密度的增量數(shù)據(jù)譜聚類方法研究[D];哈爾濱工程大學;2019年

4 謝雪峰;基于收縮譜聚類方法的推薦算法研究[D];蘭州大學;2019年

5 馬揚;基于譜聚類的復雜網絡時序鏈路預測技術研究[D];國防科學技術大學;2016年

6 駱迅;基于LMDI和高斯圖模型的中國霧霾成因實證研究[D];華中師范大學;2018年

7 崔宇童;基于譜聚類優(yōu)化的社區(qū)發(fā)現(xiàn)方法研究[D];中國礦業(yè)大學;2018年

8 王益新;基于譜聚類的數(shù)據(jù)挖掘方法研究[D];西安電子科技大學;2018年

9 谷金超;基于譜聚類方法的基因表達數(shù)據(jù)分析研究[D];湖南大學;2016年

10 陳方;基因表達數(shù)據(jù)的譜聚類方法研究[D];湖南大學;2015年

本文編號：2623075