论文部分内容阅读
聚类是一种无监督学习方法,通过聚类技术可以从数据中获取大量知识,为此,研究人员提出了许多不同的聚类算法,其中基于目标函数的聚类是人们研究的热点,并被广泛地应用于很多领域,例如模式识别,图像分割,市场研究,数据挖掘等。然而,对于提出的一些基于目标函数的聚类算法,它们将不同样本和特征视为同等重要,从而导致聚类性能降低。为了进一步提高聚类算法的性能,研究不同样本和特征对聚类的不同贡献的模糊聚类算法具有重要的意义。通过对聚类算法的分析和分类研究,本文的主要研究内容如下:1.样本和特征加权的模糊聚类通过深入研究样本加权的模糊聚类以及特征加权的模糊聚类,在FCM聚类的目标函数及隶属度归一化的基础上,同时考虑样本和特征的重要性对聚类的影响,获得了样本和特征加权的模糊聚类模型;使用拉格朗日求解方法,从理论上导出了模糊隶属度、簇中心、样本权值和特征权值,并给出了动态调整样本和特征权值的模糊聚类算法,同时,也研究了静态调整样本和特征权值的模糊聚类算法。另外,研究了放松隶属度归一化约束的样本和特征加权的模糊聚类算法,以此解决噪声数据对聚类的影响。2.样本和特征加权的核模糊聚类为了解决复杂数据的聚类,结合核方法,并考虑隶属度归一化及放松隶属度归一化两种情况,获得了样本和特征加权的核模糊聚类模型,从理论上导出模糊隶属度、簇中心、样本权值和特征权值,并给出了相应的模糊聚类算法,包括动态调整样本和特征权值的核模糊聚类算法以及静态调整样本和特征权值的核模糊聚类算法。3.模糊聚类算法的神经网络实现为了解决复杂目标函数的聚类问题,针对模糊C均值聚类,使用Hopfield神经网络和复突触神经网络解决模糊C均值聚类的优化问题,其中Hopfield神经网络主要求解簇中心,复突触神经网络求解模糊隶属度,在此基础上,提出了模糊C均值聚类的神经网络算法。4.实验研究不同方法的性能通过选取UCI数据库中的标准数据集及人工生成数据集,实验研究样本和特征加权的模糊聚类算法和它们的核模糊聚类算法的性能,并与常用的聚类方法进行了实验比较。另外,针对iris数据集和人工生成的数据集,实验研究了模糊C均值聚类的神经网络算法。