軟硬結(jié)合的聚類算法及其集成的研究.pdf

1、近幾十年來，隨著科學(xué)技術(shù)的發(fā)展經(jīng)濟和社會都取得了極大的進(jìn)步，同時在各個領(lǐng)域也產(chǎn)生了海量的數(shù)據(jù)。1989年舉行的第十一屆國際聯(lián)合人工智能學(xué)術(shù)會議上知識發(fā)現(xiàn)(Knowledge Discoveryin Databases，KDD)被首次提出來。之后，這一學(xué)科受到來自各個領(lǐng)域的研究者關(guān)注并產(chǎn)生了學(xué)科交叉，數(shù)據(jù)挖掘(Data Mining)也由此產(chǎn)生。目前數(shù)據(jù)挖掘主要研究的是關(guān)聯(lián)規(guī)則、分類、聚類、預(yù)測、Web挖掘等。其中聚類(Clusterin

2、g Analysis)是指根據(jù)某種規(guī)則將數(shù)據(jù)對象劃分為幾個類簇，使在同一個類簇中的對象之間相似性最高，而在不同類簇的對象相似性最低。聚類過程是將沒有訓(xùn)練樣本的數(shù)據(jù)集劃分為有意義的不同類，屬于無監(jiān)督學(xué)習(xí)。目前的聚類算法有許多種，根據(jù)聚類算法的聚類法則大致可以將聚類算法分為五個類別。每種聚類算法都有一定的適用范圍并在某些特定的數(shù)據(jù)集上有較好的表現(xiàn)，但是目前不存在一種聚類算法可以對各種結(jié)構(gòu)的數(shù)據(jù)集進(jìn)行聚類?？傮w來說聚類算法存在著以下幾種研究難

3、題:如可擴展性不強，一些聚類算法適合在小數(shù)據(jù)集上工作，但不適合在大數(shù)據(jù)集工作;需要先驗知識去決定輸入?yún)?shù)，例如k-means算法需要輸入類別數(shù)k;無法辨別任意形狀聚類;缺乏適合于類屬性數(shù)據(jù)的聚類有效性研究。
　　 集成學(xué)習(xí)(Ensemble Learning)是利用多個基學(xué)習(xí)器來解決同一個問題，可以顯著地提高學(xué)習(xí)系統(tǒng)的泛化能力。在此基礎(chǔ)上，2002年Strehl等提出了聚類集成(Cluster Ensemble)并給出了定義。聚

4、類集成是利用多個基聚類結(jié)果進(jìn)行集成得到一個新的劃分，這個劃分最大程度上分享了所有的輸入基聚類結(jié)果。目前聚類集成的算法有許多種，但根據(jù)集成的方法可以大致劃分為三類。聚類集成有較好的泛化能力，能夠挖掘出數(shù)據(jù)集的潛在結(jié)構(gòu)。
　　 從聚類的結(jié)果來看，聚類可分為兩大類:軟聚類和硬聚類。軟聚類是將樣本個體通過隸屬度標(biāo)識出與各個類簇的隸屬關(guān)系。硬聚類是將樣本個體劃分為某一特定的類簇，與其它的類簇并沒有關(guān)系。從數(shù)學(xué)模型的角度來看，軟聚類是以模糊

5、數(shù)學(xué)為基礎(chǔ)的。本文首先對聚類算法進(jìn)行了研究，進(jìn)一步研究了軟聚類與硬聚類方法的結(jié)合，提出一種軟硬結(jié)合的聚類算法，該算法首先使用模糊數(shù)學(xué)的模糊相似矩陣來劃分出模糊樣本個體和一般樣本個體。之后在實驗中將這種軟硬結(jié)合的聚類算法和硬聚類K-means算法、軟聚類FCM算法進(jìn)行比較，最后實驗結(jié)果表明了在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上這種軟硬結(jié)合的聚類算法優(yōu)于單純的硬聚類K-means算法和軟聚類FCM算法。在聚類集成中，本文提出了基于相似性選擇的聚類集