無監(jiān)督學(xué)習(xí)中聚類和閾值分割新方法研究.pdf

1、聚類分析和圖像閾值分割是重要的無監(jiān)督學(xué)習(xí)方法，它們之間存在著緊密的聯(lián)系，近年來得到了廣泛的研究。本文針對當(dāng)前聚類分析和閾值分割研究中存在的問題，進(jìn)行了較為深入和廣泛的研究，主要內(nèi)容包括：
　　 (1)提出了一種基于混合距離學(xué)習(xí)的模糊聚類新方法，從而實現(xiàn)了在模糊聚類的同時為數(shù)據(jù)集選擇合適的距離度量。在本方法中，數(shù)據(jù)集未知距離的度量被表示為若干已知距離的線性組合，通過基于迭代重分配策略的無監(jiān)督學(xué)習(xí)算法得到適合于數(shù)據(jù)集的距離分量權(quán)重。

2、為了保證迭代算法收斂，算法中引入了Steffensen迭代法來改進(jìn)簇中心的計算公式。
　　 (2)在對高維文本數(shù)據(jù)進(jìn)行聚類分析時，整個數(shù)據(jù)集采用單一的特征權(quán)重向量無法與數(shù)據(jù)集的結(jié)構(gòu)特點相吻合。為了解決這一問題，給各個簇賦予不同的特征權(quán)重向量，來表示聚類過程中各維特征對此類別貢獻(xiàn)的大小。將特征加權(quán)距離與軟子空間技術(shù)相結(jié)合，提出了一種目標(biāo)函數(shù)中帶兩個模糊矩陣的軟子空間聚類新方法。首先基于加權(quán)范數(shù)理論，提出了新的特征加權(quán)距離計算方法；

3、接著，通過向經(jīng)典FCM的目標(biāo)函數(shù)中引入模糊特征加權(quán)矩陣，得到了新的模糊聚類學(xué)習(xí)準(zhǔn)則。此外，就算法的全局收斂性給出嚴(yán)格的理論證明。最后，基于人工數(shù)據(jù)集和真實數(shù)據(jù)集對算法的相關(guān)性質(zhì)進(jìn)行研究。
　　 (3)由于相位同步問題的存在，傳統(tǒng)的單分類器不適用于周期時間序列的異常檢測。為了解決此問題，提出了一種新的單分類器PS-WS1M-OCC。PS-WS1M-OCC的訓(xùn)練過程包含兩個步驟。首先執(zhí)行移相加權(quán)球面單簇聚類算法PS-WS1M得到一系

4、列異常值，然后根據(jù)異常值的分布來自動確定閾值。在PS-WS1M-OCC中，通過向PS-WS1M加入循環(huán)移位這一步驟，有效的解決了時間序列分析中的同步問題；此外，在自動選擇閾值時使用了新的目標(biāo)準(zhǔn)則，從而使PS-WS1M-OCC對噪聲有著較高的魯棒性。進(jìn)一步的，還將移相加權(quán)球面單簇聚類算法PS-WS1M和分裂式層次聚類技術(shù)相結(jié)合，提出了一種自動確定聚類數(shù)目的新方法。相關(guān)參數(shù)又可以用于控制聚類的粒度，這大大提高了算法的靈活性。
　　

5、(4)Parzen窗密度估計是一種重要的無參數(shù)密度估計方法。最近，Wang S等將Parzen窗密度估計用于圖像的閾值分割，提出了基于Parzen窗技術(shù)的圖像閾值分割算法PWT。它具有分割效果好，適應(yīng)面廣等優(yōu)點。但是此方法計算開銷大、速度慢。針對這一問題，提出了基于加權(quán)Parzen窗的閾值分割新算法WPWT。通過構(gòu)造新的誤差評價準(zhǔn)則，采用層次聚類技術(shù)進(jìn)行數(shù)據(jù)集的精簡和參考像素點權(quán)重的計算，從而有效的減少了參與密度估計的像素點數(shù)量。通過與

6、PWT進(jìn)行比較，WPWT可以在不降低分割質(zhì)量的前提下，有效的減少計算量和存儲空間。
　　 (5)在參數(shù)法圖像閾值分割方法中，通常需要假設(shè)圖像的目標(biāo)和背景區(qū)域的像素點灰度值滿足一定的概率密度分布，這與實際情況有一定的出入。將灰度圖像的閾值分割問題作為一維空間的聚類問題，提出了一種無需假設(shè)背景和目標(biāo)區(qū)域概率密度分布的圖像閾值分割方法?；谧钚∽畲蟾怕蕶C理論，討論了基于一維空間的最小最大概率機，并提出了設(shè)計閾值分割準(zhǔn)則函數(shù)的新方法，新