IB聚類算法關鍵問題研究.pdf

1、隨著網(wǎng)絡和多媒體的蓬勃發(fā)展，人們收集到的數(shù)據(jù)日益增多，數(shù)據(jù)量的龐大以及數(shù)據(jù)類型的復雜使得人們更加傾向于通過機器學習的方式代替人工對海量數(shù)據(jù)進行處理。聚類是模式識別和數(shù)據(jù)挖掘中廣為使用的數(shù)據(jù)分析手段。聚類算法主要的貢獻領域包括數(shù)據(jù)挖掘、統(tǒng)計學、機器學習、金融以及市場營銷等?，F(xiàn)今，聚類算法的發(fā)明與改進已然成為一個非常活躍的研究課題。
　　傳統(tǒng)的聚類算法如模糊C均值(FCM)等存在若干問題，如對初始值敏感和易陷入局部極小值等。IB(In

2、formation Based)聚類算法的提出，很大程度上緩解了這些缺陷。該算法從信息理論角度形式化聚類問題，避免了類原型的定義，從而可以更好的適應不同形狀的數(shù)據(jù)集。該算法的設計思想與聚類的傳統(tǒng)定義一致，同時從信息論角度考慮了聚類應該實現(xiàn)對數(shù)據(jù)的壓縮，因此算法可以實現(xiàn)在不需要預先指定類的表達方式的同時自動尋找數(shù)據(jù)間的非線性關系，同時也能在一定程度上緩解算法初始化對最終聚類結果的影響。
　　IB聚類算法作為一個應用廣泛的聚類算法，其

3、收斂速率是影響其應用效果的直接因素，因此對于算法在不同數(shù)據(jù)集上的收斂速率的判斷至關重要。然而，目前對與聚類算法的收斂性質一直缺乏一個可靠的判斷方法。本文根據(jù)Jacobian矩陣在固定點的線性逼近原理，提出一種判斷IB聚類算法收斂性質以及收斂速率的方法，并進行理論證明和實驗驗證。
　　本文提出的判斷聚類算法目標函數(shù)在收斂點的收斂情況的方法，可以在理論上給出算法參數(shù)選擇的合理化建議。本文進行IB聚類算法的參數(shù)對收斂速率的影響的分析，并