论文部分内容阅读
数据分析技术在各个领域应用广泛。其中,聚类分析作为一个重要研究方向,获得了极大的发展。数据竞争(Data nCompetitio,DC)算法是一种基于划分的聚类算法,能够排除孤立点带来的干扰,聚类效果稳定;在图像分割与文本聚类等方面已有应用,但仍存在诸多不足之处,需要进一步研究。DC算法通过人为设定聚类数,并且在处理流状、环状以及复杂结构数据集上的聚类效果不是很理想。针对上述问题,研究对比了近几年提出的一些聚类算法在处理不同聚类问题上的优缺点,例如密度峰聚类、谱聚类等;受上述聚类思想的启发,对DC算法提出了相关改进,并将其应用于彩色图像分割。论文的主要工作如下:1.针对DC算法人为设定聚类数以及聚类中心无法自动确定的缺陷,提出了一种自动确定聚类中心的数据竞争算法(llyAutomatica Determine Data nCompetitio,ADDC)。通过数据场模型来替换聚合场模型,并采用数据点势值的高低来描述数据集的分布特征;在竞争后根据数据点的?值分布构造直方图来自动确定临界阈值,筛选出准聚类中心点;其中,利用了数据场的衰减性选出实际的聚类中心点,完成聚类中心的自动确定。在人工与UCI数据集上的实验效果表明,ADDC算法不仅具备了自动确定聚类中心的能力,而且提高了聚类效果。2.针对DC算法不能够有效描述流状、环状和多重尺度分布数据点间相似性的问题,提出了一种基于测地距离与密度调整的数据竞争算法(Data nCompetitio Algorithm Based on Geodetic Distance and Density Adjustment,DC-GDDA)。该算法对自适应相似度函数进行了改进,设计了一种基于测地距离与密度调整的相似度函数,可以准确的刻画数据空间的分布特征;在竞争出簇中心之后,类比密度峰聚类分配数据点的方式,完成聚类。通过多种算法的对比实验表明,DC-GDDA算法的聚类准确度更高,尤其在处理多重尺度、环状和流状数据集时效果更优。3.针对DC算法在处理复杂结构数据集无法有效聚类的缺陷,提出了一种基于密集系数与局部相似性的数据竞争算法(Data nCompetitio Algorithm Based on Dense tCoefficien and Local Similarity,DC-DCLS)。其中,设计了一种密集相似度公式,通过该公式计算各数据点的密集系数来对自适应相似度函数的尺度参数加权,降低了稀疏区域数据点之间的相似性;随后,计算内部数据点的局部相似性指数来进一步挖掘簇的结构信息;在竞争出簇中心之后,类比密度峰聚类分配数据点的方式,完成聚类。通过理论分析与多种算法的对比实验,证明了DC-DCLS算法处理复杂结构数据集的能力,聚类效果稳定。4.将DC-GDDA和DC-DCLS算法运用于图像分割当中。通过SLIC超像素算法对图像进行预分割,并采用了多种算法进行二次分割比较。在Berkeley图像数据集与现实拍摄图像上的实验表明,改进的数据竞争算法与其它几种算法相比具有较好的分割效果。