半監(jiān)督模糊聚類集成方法研究.pdf

1、聚類是數(shù)據(jù)挖掘領域的一個重要性工具，它根據(jù)某種相似性準則將數(shù)據(jù)對象劃分成若干個簇，以發(fā)現(xiàn)數(shù)據(jù)對象內(nèi)在的分布情況。盡管目前學者提出了許多聚類算法及改進算法，但任何單一聚類算法都無法準確揭示各種數(shù)據(jù)集所呈現(xiàn)出的簇結構;面對具有各種形狀或結構的數(shù)據(jù)集，尋找符合該數(shù)據(jù)集的單個聚類算法變得更加困難。聚類集成將不同的聚類算法或同種算法通過使用不同初始參數(shù)得到的結果進行合并，以獲得比單個聚類算法更加優(yōu)秀的結果。然而，多數(shù)情況下的聚類集成算法是建立在非

2、監(jiān)督方式之上的聚類集成算法，由于缺乏對先驗知識的利用，致使聚類集成的準確性受到影響?？紤]將半監(jiān)督學習與聚類集成方法相結合，可以進一步提高學習性能。
　　傳統(tǒng)的聚類集成算法大部分是建立在硬聚類的基礎上的，但在現(xiàn)實生活中大多數(shù)樣本具有模糊性，從聚類集成的一開始便使用硬聚類算法將可能會導致部分有用信息的丟失;同時在聚類集成的過程中，由于基聚類結果的產(chǎn)生也伴隨著潛在信息的產(chǎn)生，潛在信息的獲取會較好的提高聚類集成的性能和質量。然而多數(shù)的聚類

3、集成方法忽視了潛在信息或者潛在信息的獲取方式較為復雜，導致聚類集成的結果受到影響。針對此問題，本文提出一種基于鏈接的模糊聚類集成方法，將數(shù)據(jù)與簇之間的相關性矩陣轉化為表示數(shù)據(jù)相關性的權重圖，通過簡潔而有效的方法獲取了潛在信息，并利用圖劃分算法提升最終結果。
　　在半監(jiān)督聚類集成的研究方面，在集成過程中加入成對約束信息時，不僅考慮約束點與被約束點之間的關系，而且考慮了約束點與被約束點鄰域點之間的關系。給出了基于半徑和使用高斯分布選取