基于網格的聚類融合算法的研究.pdf

1、組合分類方法已被證明是非常普遍和有效地、能夠改進學習精確度的監(jiān)督方法。依據同樣的原理,聚類融合的目的是融合來自多個劃分的結果以得到更高質量和魯棒性的聚類結果。目前已經出現(xiàn)了很多的聚類融合算法,大量的理論和實驗研究表明:與單個聚類相比,聚類融合具有明顯的優(yōu)勢。
　　 在眾多的聚類方法中,基于網格的方法以網格為單位學習聚簇,速度快、效率高,但它構造的每個聚簇邊界成鋸齒狀,不能很好地識別平滑邊界曲面。本文在對已往聚類融合算法進行深入分

2、析的基礎上,并結合網格聚類算法的優(yōu)缺點,提出了一種基于網格的聚類融合算法:旋轉網格(Rotation Grid,簡稱RG)。該算法能夠有效地解決網格聚類方法中邊界處理不平滑問題,RG算法有兩個關鍵的步驟:(1)生成若干個具有差異性的聚類成員;(2)設計融合函數(shù)對聚類成員進行融合。本文圍繞這兩個方面進行了研究。在生成聚類成員方面,RG不是通過隨機抽樣數(shù)據集或隨機初始化相關參數(shù)來創(chuàng)建有差異的聚類成員,而是迭代的將特征劃分為K個數(shù)據子集,并使

3、用特征變換得到K個不同的旋轉變換基,形成新的特征空間,并將網格聚類算法應用于該特征空間,從而構建有差異的聚類成員;在設計融合函數(shù)方面,算法沿用了基于超圖的思想,將聚類成員中的每個簇寫成單位向量形式,將每個向量看作頂點,構造一個帶權超圖。依次計算出所有頂點對之間的邊權重,并找出邊權重最大的兩個簇,用相同的標簽來標示,然后用投票的方法決定數(shù)據集中的每個點所在的簇。通過大量的實驗表明,RG算法能夠有效地劃分任意形狀、大小的數(shù)據集,并能有效的解