基于稀疏约束的二维聚类算法研究

发布时间：2024-04-09 04:40

　　聚类作为一种无监督学习方法已广泛应用于模式识别、人工智能、数据挖掘、生物医学等领域。一般地,聚类是依据某种准则将样本点划分为不同的簇,希望经过划分相似的点在同一簇中,相异的点在不同簇中。至今,依据不同的准则己提出了许多聚类算法,虽然这些算法在一定程度上可以对数据进行划分,但仍然存在以下问题:(1)信息技术的发展增加了数据的规模及复杂度,数据的表征维度越来越高,处理信息冗余、几何结构复杂的高维数据是聚类分析亟待解决的问题;(2)传统的聚类方法将二维(2D)数据预处理为一维(2D)向量的过程破坏了其原有空间结构,并且增加了计算成本。基于此,本论文重点探索适用于二维数据的聚类分析方法,对基于降维的聚类算法展开研究,提出了降维与聚类一体化特征表示方法。具体研究成果如下:1.本文提出二维稀疏模糊均值聚类(2DSFKM)算法。聚类算法在处理高维数据时需要对数据预先进行降维,但是传统方法往往将降维过程和聚类过程独立进行,使得降维后的特征难以进行精准的聚类,本文将降维过程和聚类过程融合到统一算法框架中,以寻找更好的子空间进行特征表示,并且进行动态联合优化。此外该方法分析了传统的模糊聚类方法直接将二维数...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 主要研究内容与章节安排
第二章 理论基础
    2.1 引言
    2.2 聚类算法
        2.2.1 模糊聚类算法
        2.2.2 谱聚类算法
    2.3 维度约减算法
        2.3.1 一维无监督维度约减算法
        2.3.2 二维无监督维度约减算法
    2.4 本章小结
第三章 基于稀疏约束的二维模糊聚类算法
    3.1 引言
    3.2 基于稀疏表示的二维模糊聚类算法
        3.2.1 模糊C均值聚类算法(FCM)
        3.2.2 无监督二维降维方法
        3.2.3 基于稀疏表示的二维模糊聚类算法
    3.3 算法优化
        3.3.1 算法优化
        3.3.2 参数讨论
        3.3.3 算法收敛性分析
    3.4 实验结果与分析
        3.4.1 实验数据集及实验设置
        3.4.2 实验结果分析
    3.5 本章小结
第四章 基于稀疏约束的二维谱聚类算法
    4.1 引言
    4.2 基于稀疏表示的二维谱聚类算法研究
    4.3 算法优化
        4.3.1 算法优化
        4.3.2 算法收敛性分析
    4.4 实验结果与分析
        4.4.1 实验数据集及实验设置
        4.4.2 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3949332