基于權(quán)重設(shè)計的聚類集成算法研究.pdf

1、隨著大數(shù)據(jù)時代的到來，增長的海量數(shù)據(jù)中隱藏越來越多的信息，獲取有用的信息和知識的變得更為重要和困難。聚類分析作為數(shù)據(jù)挖掘領(lǐng)域的重要技術(shù)之一，獲得了廣泛的關(guān)注與應(yīng)用。然而單個聚類算法在面對特定的問題時，經(jīng)常會出現(xiàn)各種不同的狀況，聚類穩(wěn)定性和準確性問題還需得到進一步研究。
　　聚類集成方法的提出了對聚類分析方法中存在的一些問題進行了一定程度的探索。聚類集成利用集成學習技術(shù)，首先運行不同的算法或是在選用某種算法時選擇不同的參數(shù)來獲取多個

2、聚類成員，通過一致性處理將其合并，得到的結(jié)果往往優(yōu)于使用單一聚類算法獲得的結(jié)果。本文系統(tǒng)地分析了聚類過程中涉及的知識，充分研究了聚類集成算法的原理和方法。目前已有許多國內(nèi)外學者提出了不同的聚類集成方法，但是多數(shù)方法忽視了進行集成的聚類成員的質(zhì)量，而當存在部分質(zhì)量較差或者有噪聲干擾的成員時則會影響最終的結(jié)果。
　　針對所描述問題，本文提出了基于權(quán)重設(shè)計的聚類集成算法，試圖采用加權(quán)的方式改進已有算法，獲取更好的劃分結(jié)果。主要內(nèi)容包括：

3、
　?、僭谙到y(tǒng)地學習了聚類集成方法，了解已有SoA-WCE算法的方法步驟后，分析了該算法中存在的問題：算法中使用兩次集成算法，通過建立初次集成結(jié)果與初始聚類成員之間的決策表系統(tǒng)，并依據(jù)其屬性重要性度量對聚類成員進行加權(quán)，生成二次集成結(jié)果。但是若初始聚類成員存在結(jié)果較差的成員，所產(chǎn)生的初始聚類結(jié)果也會有所偏差，那么建立在這樣較差的決策表系統(tǒng)所進行的二次集成，其結(jié)果勢必會受到影響。本文就此問題提出了一種基于互信息加權(quán)的屬性重要性聚類集

4、成算法(MI-SoA-WCE算法)，并詳細分析了進行權(quán)重設(shè)計的具體過程。該算法計算初始聚類成員各自的聚類綜合質(zhì)量，并實行質(zhì)量篩選，再對篩選后的聚類成員進行差異度度量，在此基礎(chǔ)上進行權(quán)重設(shè)計生成加權(quán)共協(xié)矩陣，然后進行后續(xù)的處理。
　?、谠O(shè)計并實現(xiàn)了所提出的MI-SoA-WCE算法，利用F-measure等評價指標對五組數(shù)據(jù)集使用CSPA算法和原有的SoA-WCE算法以及改進的方法產(chǎn)生的不同結(jié)果進行分析對比，并通過人工增加噪聲的方法測