高維數據聚類算法及應用研究.pdf

1、隨著航運業(yè)的發(fā)展，船舶的數量和規(guī)模不斷擴大，作為航行安全的重要保障，船舶故障診斷技術得到越來越多的重視。由于船舶設備種類繁多且參數復雜，導致船舶管理系統(tǒng)中采集的數據量龐大且維數較高，對故障診斷模塊的數據處理性能提出了挑戰(zhàn)，如何有效地處理海量高維數據成為故障診斷過程中的研究重點。本文以某海事局船舶管理系統(tǒng)為背景，重點研究了高維數據聚類技術，設計并實現了故障診斷模塊，主要研究內容如下。
　　本文在深入分析了高維數據聚類算法和傳統(tǒng)聚類算

2、法的基礎上，設計了一個基于高維數據聚類算法的故障診斷框架，并詳細闡述了該框架中各個組成部分的功能。針對故障診斷中出現的高維數據及其噪聲信息，本文重點研究了基于正交非負矩陣分解的聚類算法和基于相似矩陣補全的集成聚類算法。為了降低高維數據的維數，提出了一種基于正交非負矩陣分解的K-means聚類算法，該算法對原始數據進行非負矩陣分解，并加入正交約束，保證低維特征的非負性，增加數據原型矩陣的正交性，降低了數據的維數特征，最后進行K-means

3、聚類并驗證該算法的有效性。為了解決高維數據中存在大量噪聲的問題，提出了一種基于相似矩陣補全的聚類集成改進算法。該算法利用正交非負矩陣算法生成基聚類，在此基礎上采用高維數據相似性度量函數Hsim構造每個基聚類的相似性矩陣，然后采用增廣拉格朗日乘子法對相似性矩陣中缺失的元素進行補全，最后采用性能優(yōu)越的譜聚類得到最終的數據劃分。本文的研究成果初步應用于某海事局船舶管理系統(tǒng)中的故障診斷模塊，以高維數據聚類算法為基礎，實現了系統(tǒng)的故障診斷模塊，取