基于多重理论改进的近邻传播聚类算法及其应用

发布时间：2024-03-12 21:56

　　随着社会的不断发展,互联网技术的大范围普及,各行各业对于相关数据的需求呈现稳步上升的趋势。而大数据时代的出现,实际上是在互联网技术飞速发展的背景下,不断增长的社会需求同相匹配的数据挖掘技术完美结合的产物。聚类分析是数据挖掘领域中的一个重要的方法,近邻传播聚类算法(Affinity Propagation,AP)作为数据挖掘领域中一种可以高效快速完成数据聚类分析的方法,受到了国内外专家学者的广泛研究与推广。但是,传统的近邻传播聚类算法仍存在多种弊端,导致算法产生聚类性能低,聚类效果不佳等结果。基于此,本文以相似度为出发点,在原始近邻传播聚类算法中引入多种不同的理论,致力于得到较优的聚类结果,提高算法的聚类性能。本文主要研究内容如下:(1)以相似度的计算方式作为出发点,针对传统AP算法存在对数据类型敏感的弊端,提出一种新的基于加权相似度的自适应近邻传播聚类算法(A Novel Self-Adaptive Affinity Propagation Clustering Algorithm based on Density Peak Theory and Weighted Similarity...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图3.4公式的函数曲线图

16图3.4公式的函数曲线图图3.5公式的函数曲线图

图3.5公式的函数曲线图

16图3.4公式的函数曲线图图3.5公式的函数曲线图

图3.6Iris聚类结果

图3.6Iris聚类结果图3.7Wine聚类结果

图3.7Wine聚类结果

图3.6Iris聚类结果图3.7Wine聚类结果

本文编号：3926876