论文部分内容阅读
信息社会对海量数据的处理能力提出了新的要求。数据挖掘技术伴随着这种需求应运而生。数据挖掘是致力于数据分析和理解、揭示数据内部蕴藏知识的技术,目前已成为信息技术研究的热点之一。聚类与多目标线性规划分类方法是数据挖掘中的被广泛采用的技术。
对于聚类问题,本文从局部保留映射Locality Preserving Projections(LPP)的算法思想出发,提出了新的聚类算法,并通过数据实验成功的验证了此类算法对线性可分聚类问题的有效性,之后,利用将核函数引入到LPP的Kernel LocalityPreserving Projections(KLPP)算法,成功地解决了非线性聚类问题,并给出了具有说服力的实验结果。
对于多目标线性规划分类方法,本文介绍了一种新的将核函数引入到原始的多目标线性规划问题Multiple Criteria Linear Program(MCLP)当中的模型,使得新的模型不但可以解决线性分类问题,同样可以解决非线性的分类问题。虽然我们可以使用其他的核函数方法,但是就会使得整个MCLP的框架变得非常复杂;而本文给出的模型与其他成熟的模型比较(比如支持向量机)也是非常简单和有效的。