基于決策粗糙集的面向知識(shí)自動(dòng)聚類及應(yīng)用研究.pdf

1、聚類分析是智能信息處理、數(shù)據(jù)挖掘、模式識(shí)別等研究方向的重要研究?jī)?nèi)容之一，在識(shí)別數(shù)據(jù)的內(nèi)在結(jié)構(gòu)方面具有重要作用。大多數(shù)聚類算法都需要預(yù)先給出參數(shù)，如聚類數(shù)目、聚類中心點(diǎn)或迭代次數(shù)等。事實(shí)上，如果沒有相關(guān)知識(shí)和經(jīng)驗(yàn)，這在多數(shù)情況下是不可行的。因此，為了減少人為干擾因素，本文基于決策粗糙集模型進(jìn)行了自動(dòng)聚類的研究。
　　 Hirano和Tsumoto等提出的面向知識(shí)(Knowledge-Oriented)聚類算法，通過結(jié)合層次聚類算法

2、和粗糙集理論，能從局部和全局的數(shù)據(jù)特性上對(duì)數(shù)據(jù)進(jìn)行聚類，具有很好的聚類效果。因此，本文采用了面向知識(shí)聚類的算法框架進(jìn)行自動(dòng)聚類的研究。首先，針對(duì)面向知識(shí)聚類算法的初始聚類結(jié)果對(duì)用戶輸入的初始閾值參數(shù)敏感這一問題，本文提出了一種自動(dòng)閾值選取方法--選擇差值法。該方法充分考慮了數(shù)據(jù)的物理特性，能自動(dòng)地得到較好的初始聚類結(jié)果。此外，本文研究發(fā)現(xiàn)了以往文獻(xiàn)中定義的類類不可區(qū)分度公式的不合理性并進(jìn)行了改進(jìn)，新的計(jì)算方法使聚類結(jié)果更加準(zhǔn)確。

3、　　 本文還對(duì)決策粗糙集模型進(jìn)行了研究，提出了基于決策粗糙集的聚類模式代價(jià)評(píng)估方法，能夠動(dòng)態(tài)的對(duì)聚類結(jié)果進(jìn)行評(píng)估，根據(jù)聚類模式的代價(jià)值的變化來制定合并策略和指導(dǎo)算法選擇終止點(diǎn)；另外，新方法也自動(dòng)地給出了類重疊邊界區(qū)域的范圍，有助于用戶選擇不同粒度的聚類結(jié)果。
　　 同時(shí)，本文給出了一個(gè)基于決策粗糙集的面向知識(shí)自動(dòng)聚類算法，在人工數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明該算法是有效可行的，并且能處理類類邊界重疊問題，也不需要人為閾值的