基于劃分的聯(lián)機(jī)聚類算法研究.pdf

1、隨著信息技術(shù)的發(fā)展，數(shù)據(jù)流模型已成為諸多應(yīng)用的常用模型，其固有特點(diǎn)也致使傳統(tǒng)聚類算法在此模型上面臨嚴(yán)峻挑戰(zhàn)。其次，一系列數(shù)據(jù)流聚類算法雖相繼被提出，但仍存在諸多不足，如現(xiàn)有基于劃分的數(shù)據(jù)流聚類算法難以處理非線性和高維數(shù)據(jù)等。對此，本文側(cè)重于基于劃分的聯(lián)機(jī)聚類算法研究，具體如下：
　　(1)基于核模糊C-均值(KFCM)，提出了一種針對大規(guī)模數(shù)據(jù)的聯(lián)機(jī)核模糊C-均值聚類算法(OKFCM)，同時(shí)考慮到核參數(shù)的選擇困境，借鑒多核學(xué)習(xí)思想

2、，通過組合不同參數(shù)的多個(gè)核，進(jìn)一步衍生出了聯(lián)機(jī)多核模糊C-均值聚類算法(OMKFCM)。由此，在有效緩和核參數(shù)選擇難題的同時(shí)，核聯(lián)機(jī)算法不僅繼承了KFCM優(yōu)越的聚類特性，在某種程度上還擁有了集成算法的優(yōu)勢。
　　(2)基于模糊C-均值(FCM)，提出了一種針對高維數(shù)據(jù)的聯(lián)機(jī)局部自適應(yīng)模糊C-均值聚類算法(OLAFCM)。OLAFCM通過為各類特征屬性分別賦以相應(yīng)的局部權(quán)重，使各個(gè)類分布在不同屬性組合的張量子空間內(nèi)，從而有效避免現(xiàn)有