面向分類(lèi)數(shù)據(jù)的子空間聚類(lèi)算法研究.pdf

1、隨著科學(xué)技術(shù)在工業(yè)界與學(xué)術(shù)界的廣泛推廣和使用，數(shù)據(jù)的規(guī)模正以數(shù)十倍于之前的增長(zhǎng)速度快速膨脹。如何處理這些規(guī)模龐大的數(shù)據(jù)成為了近年來(lái)研究者最關(guān)注的問(wèn)題之一。作為一種無(wú)監(jiān)督的學(xué)習(xí)方法，聚類(lèi)分析成為了大數(shù)據(jù)處理的重要方法和手段。實(shí)際應(yīng)用中發(fā)現(xiàn)，簡(jiǎn)單、連續(xù)的數(shù)值數(shù)據(jù)不能很好的表達(dá)數(shù)據(jù)的實(shí)際內(nèi)容和意義，被利用得更多的是分類(lèi)型數(shù)據(jù)和混合型數(shù)據(jù)。在聚類(lèi)分析過(guò)程中，計(jì)算屬性值之間的相似度是不可避免的一個(gè)重要步驟。數(shù)值型數(shù)據(jù)因?yàn)榫邆涮烊坏臄?shù)學(xué)優(yōu)勢(shì)，其相似

2、度計(jì)算較為簡(jiǎn)單方便，相應(yīng)的聚類(lèi)分析研究取得了累累碩果。而對(duì)于分類(lèi)型數(shù)據(jù)而言，由于缺乏數(shù)值數(shù)據(jù)在代數(shù)上的許多特性，其相似度計(jì)算變得十分困難。目前常用的度量方法有差異度度量及信息熵度量。以差異度度量相似性的算法包括K-modes、K-modes-CGC、Fuzzy k-modes、 Genetic fuzzy K-modes、NFKM等算法；而以信息熵度量相似性的算法則有COOLCAT、ROCK等算法。有的基于全空間，有的對(duì)輸入順序敏感，有

3、的對(duì)輸入?yún)?shù)敏感。2014年，He Xiao等人在數(shù)據(jù)壓縮模型基礎(chǔ)上提出ROCAT算法，對(duì)以上問(wèn)題有明顯改善，具有較好的聚類(lèi)效果。但算法復(fù)雜度高，聚類(lèi)精度有待進(jìn)一步提高。
　　本研究主要內(nèi)容包括：⑴提出基于互信息的分類(lèi)數(shù)據(jù)子空間聚類(lèi)算法MICAT。采用聚類(lèi)和分類(lèi)結(jié)合的方法，將源數(shù)據(jù)集隨機(jī)的分成兩部分，對(duì)其中一部分?jǐn)?shù)據(jù)集用ROCAT算法進(jìn)行聚類(lèi)得到樣本簇，然后將剩余部分?jǐn)?shù)據(jù)集分到樣本簇當(dāng)中去完成聚類(lèi)。無(wú)需在算法開(kāi)始就載入全部數(shù)據(jù)，只