基于核的混合聚類模型的研究.pdf

1、模糊聚類算法是一種非監(jiān)督的聚類算法，比如典型的FCM、PCM聚類算法，在生活中有廣泛的應(yīng)用，然而基本的模糊聚類算法有各自的缺點(diǎn)，如FCM對(duì)噪聲點(diǎn)敏感，PCM容易將類中心重合等，鑒于此可以提出混合聚類算法，該算法在保留它們單個(gè)算法優(yōu)點(diǎn)的同時(shí)又避免了它們的缺點(diǎn)，在實(shí)驗(yàn)中得到了較為理想的效果。由于現(xiàn)實(shí)數(shù)據(jù)的復(fù)雜性，對(duì)于很多高維的數(shù)據(jù)以及異構(gòu)數(shù)據(jù)集，混合聚類算法又顯示出了它的不足，基于上述原因，本文引入Mercer核，提出了基于核的混合模型聚類

2、算法，并通過(guò)實(shí)驗(yàn)仿真，證實(shí)了這些算法的有效性。
　　本文具體的內(nèi)容安排可分為以下3點(diǎn)：
　　1、鑒于人們對(duì)于核理論的初步研究，本文在第一和第二章簡(jiǎn)單介紹了核方法的研究背景及其原理，對(duì)聚類分析的理論基礎(chǔ)和方法進(jìn)行了歸納和總結(jié)。并給出了KPCM1和KPCM2兩種基本的核聚類算法。
　　2、FCM和PCM的混合模型可以克服它們單獨(dú)聚類時(shí)的缺點(diǎn)，在聚類效果上有很大改進(jìn)，但是對(duì)于特征不明顯的樣本而言，這種混合模型的聚類效果并不太

3、好，為了克服這一缺點(diǎn),本文在第三章引入Mercer核，提出了一種新的基于核的混合c-均值聚類模型（KIPCM），運(yùn)用核函數(shù)使得在原始空間不可分的數(shù)據(jù)點(diǎn)在核空間變得可分。通過(guò)數(shù)值實(shí)驗(yàn)，得到了較為合理的中心值以及較高的正確分類率，證實(shí)了本文算法的可行性和有效性。
　　3、針對(duì)多數(shù)據(jù)源或異構(gòu)數(shù)據(jù)集，單個(gè)核函數(shù)在處理數(shù)據(jù)上有各自的優(yōu)點(diǎn)，然而也有各自的缺點(diǎn)。比如，輸入空間是兩個(gè)向量組成的空間，第一個(gè)向量服從多項(xiàng)式分布，而第二個(gè)向量服從高斯分