聚類算法研究及其在人臉表情識別中的應用.pdf

1、處于信息化時代的今天，我們生活的世界到處都充滿著各種數(shù)據(jù)。對這些數(shù)據(jù)進行分類就成為人們很重要的一項工作。而海量的數(shù)據(jù)背后隱藏著許多重要的信息，提取出這些信息也超出了人類自身的能力。從而，人們希望能夠借助一些工具對這些數(shù)據(jù)進行更高層次的分析，以便更好地利用這些數(shù)據(jù)。而聚類的主要目的就是將一個數(shù)據(jù)集按照數(shù)據(jù)間的相似性進行分組或者分類的過程，并從中發(fā)現(xiàn)數(shù)據(jù)集的結構特征，提取數(shù)據(jù)集中隱藏的信息。
　　 本文首先對聚類的基本原理和分類進行

2、詳細的介紹，介紹了K-均值算法，高斯混合模型（GMM）算法和期望最大化（EM）算法，并且對于K-均值算法在GMM EM算法中初始化的作用進行了實驗。之后引入了模糊集的思想，討論了模糊C-均值（FCM）算法的主要原理，在此基礎上進一步分析了模糊緊致分離（FCS-Fuzzy Compactness and Separation）聚類算法的原理。FCS算法綜合了K-均值算法和模糊 C-均值算法的優(yōu)點，使得確定的隸屬關系和模糊的隸屬關系同時存在

3、。在此基礎上，我們對核函數(shù)在聚類中的相關應用進行了深入的研究，提出了一種新的聚類方法一基于核函數(shù)的FCS算法（KFCS），我們分別采用高斯核和單項式核進行了核化過程的推導。最后，我們用IRIS數(shù)據(jù)集和人工數(shù)據(jù)集進行相關的實驗，實驗表明FCS算法對噪聲更具魯棒性，而KFCS（高斯核）算法在。IRIS數(shù)據(jù)集聚類實驗中相對于傳統(tǒng)的聚類算法有較低的錯誤率。
　　 在人與人的交往中，面部表情是非常重要的信息的載體，而在人機交互中人臉表情識