2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩124頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、聚類問題是模式分析領(lǐng)域最為基礎(chǔ)的研究問題,其任務(wù)是將具有近似特性或關(guān)系密切的數(shù)據(jù)劃分到同一個(gè)聚簇中。通過聚類分析可以幫助我們理解數(shù)據(jù)內(nèi)部隱藏的知識。傳統(tǒng)的聚類算法主要針對同構(gòu)數(shù)據(jù)進(jìn)行研究分析,采用單一的特征集合或同種類型的關(guān)系集合描述數(shù)據(jù)集的特性。然而最近隨著IT技術(shù)尤其是Internet技術(shù)突飛猛進(jìn)的發(fā)展,大量的異構(gòu)數(shù)據(jù)集廣泛出現(xiàn),這些異構(gòu)數(shù)據(jù)集的特性需要由多種特征集合或多種關(guān)系集合進(jìn)行描述。為了有效利用異構(gòu)信息,挖掘異構(gòu)數(shù)據(jù)內(nèi)部的聚

2、簇結(jié)構(gòu),學(xué)術(shù)界提出了異構(gòu)數(shù)據(jù)聚類分析方法,并吸引了廣大科研人員的興趣。本文的研究工作與創(chuàng)新之處主要包括以下幾方面的內(nèi)容:
  1.為了探測高階異構(gòu)數(shù)據(jù)內(nèi)部隱藏的層次聚簇模式,針對星型高階異構(gòu)數(shù)據(jù),提出了一種高階層次聯(lián)合聚類算法(high-order hierarchical co-clustering algorithm,HHCC)。HHCC算法利用變量相關(guān)性度量指標(biāo)Goodman-Kruskalτ衡量中心類型數(shù)據(jù)對象和每種非中心

3、類型數(shù)據(jù)對象的相關(guān)性,分別將相關(guān)性較強(qiáng)的中心類型數(shù)據(jù)對象和非中心類型數(shù)據(jù)對象劃分到不同的聚簇中。利用 Goodman-Kruskalτ指標(biāo)評估聚類質(zhì)量,Goodman-Kruskalτ指標(biāo)越大,聚類質(zhì)量越高。利用局部迭代搜索方法優(yōu)化Goodman-Kruskalτ指標(biāo),在優(yōu)化Goodman-Kruskalτ指標(biāo)的同時(shí)能夠自動調(diào)整每個(gè)聚簇分裂的子聚簇?cái)?shù)目。HHCC算法使用top-down的分裂原則,將每個(gè)聚簇分裂成使得Goodman-Kr

4、uskalτ指標(biāo)達(dá)到最大的子聚類,最終獲得高階異構(gòu)數(shù)據(jù)的樹狀層次聚類結(jié)果。
  2.目前多數(shù)高階異構(gòu)數(shù)據(jù)聯(lián)合聚類算法集中于無監(jiān)督學(xué)習(xí),然而在實(shí)際問題中可以獲得少量樣本先驗(yàn)信息。大量研究表明,在聚類過程中有效引入少量部分先驗(yàn)知識將有利于提高聚類結(jié)果的精度。另外,為了發(fā)現(xiàn)高階異構(gòu)數(shù)據(jù)集中未知的重疊聚簇結(jié)構(gòu),本文提出了一種高階異構(gòu)數(shù)據(jù)半監(jiān)督模糊聯(lián)合聚類算法(high-order heterogeneous data semi-super

5、vised fuzzy co-clustering algorithm,SS-HHFC)。為了準(zhǔn)確、客觀地描述聚簇交疊部分?jǐn)?shù)據(jù)對象的聚類結(jié)果,SS-HHFC算法引入模糊概念,利用隸屬度描述數(shù)據(jù)屬于某聚簇的程度。由于高階聯(lián)合聚類的目標(biāo)是將相關(guān)性較強(qiáng)的異構(gòu)數(shù)據(jù)對象劃分到同一個(gè)聚簇中,SS-HHFC算法利用聚集度評估異構(gòu)數(shù)據(jù)聚簇之間的相關(guān)性,利用聚集度衡量聚類結(jié)果的質(zhì)量。高階聯(lián)合聚類建模為聚集度的最大化問題,并將成對約束先驗(yàn)信息融入到代價(jià)函數(shù)

6、中。為了求解優(yōu)化問題,推導(dǎo)出隸屬度迭代更新公式,設(shè)計(jì)SS-HHFC算法的計(jì)算過程,并從理論和實(shí)驗(yàn)兩方面驗(yàn)證了SS-HHFC算法的收斂性。
  3.異構(gòu)數(shù)據(jù)中往往包含噪聲和離群點(diǎn)數(shù)據(jù),為了減弱噪聲對聚類效果的影響以及探測離群點(diǎn)數(shù)據(jù),本文基于非負(fù)矩陣分解的提出一種加權(quán)異構(gòu)數(shù)據(jù)聯(lián)合聚類算法(weighted nonnegative matrix factorization for heterogeneous data cocluster

7、ing algorithm,WNMF-HCC)。WNMF-HCC算法利用數(shù)據(jù)對象之間的關(guān)聯(lián)關(guān)系,將異構(gòu)數(shù)據(jù)嵌入到低維空間。根據(jù)數(shù)據(jù)對目標(biāo)函數(shù)的貢獻(xiàn),對每個(gè)異構(gòu)數(shù)據(jù)對象自動賦予不同的權(quán)重,對噪聲和離群點(diǎn)數(shù)據(jù)賦予較低的權(quán)重。利用權(quán)重不僅可以減弱噪聲對聚類效果的不利影響,而且可以判斷離群點(diǎn)數(shù)據(jù)。并從理論和實(shí)驗(yàn)兩方面驗(yàn)證了WNMF-HCC算法的收斂性。
  4.多視角數(shù)據(jù)中往往含有噪聲數(shù)據(jù),影響聚類效果。為了提高聚類算法對噪聲的魯棒性,本

8、文提出了一種基于可能性C-means的魯棒多視角聚類算法(robust multi-view clustering algorithm based on possibilistic C-means,PCM-RMVC)。由于PCM-RMVC算法不再受隸屬度之和為1的限制,噪聲對所有聚簇的隸屬度均較低,減弱了噪聲數(shù)據(jù)對聚類精度的不利影響,對噪聲具有較強(qiáng)的魯棒性。為了綜合利用每種視角的特征空間信息,PCM-RMVC算法最小化每個(gè)視角中數(shù)據(jù)對象

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論