【摘要】：機(jī)器學(xué)習(xí)算法的研究是人工智能領(lǐng)域中的一個重要分支,它涉及到眾多學(xué)科的交叉融合。機(jī)器學(xué)習(xí)算法的研究對象是怎樣模擬人類的行為以學(xué)習(xí)新的知識從而更新知識結(jié)構(gòu)、改善自身的性能。機(jī)器學(xué)習(xí)領(lǐng)域的研究在近些年來已經(jīng)取得了很大的進(jìn)展,各種各樣的機(jī)器學(xué)習(xí)算法也被提了出來。機(jī)器學(xué)習(xí)算法通常情況下可以被分為三大類:有監(jiān)督學(xué)習(xí)算法、無監(jiān)督學(xué)習(xí)算法和半監(jiān)督學(xué)習(xí)算法。聚類分析算法是其中最具有代表性的一種無監(jiān)督機(jī)器學(xué)習(xí)算法。該類算法依據(jù)數(shù)據(jù)點(diǎn)的某種屬性將數(shù)據(jù)集中相似的數(shù)據(jù)點(diǎn)劃分到同一個類簇中而把非相似的數(shù)據(jù)點(diǎn)劃分到不同的類簇。盡管各種各樣的聚類算法已經(jīng)被提出,但是大多數(shù)傳統(tǒng)的聚類方法只能適用于球形類簇的聚類并且算法的聚類結(jié)果可能會受到參數(shù)設(shè)置和初始化的影響。此外,當(dāng)數(shù)據(jù)集中數(shù)據(jù)點(diǎn)數(shù)量和數(shù)據(jù)維度的規(guī)模變得非常大時,聚類算法的效率將受到時間復(fù)雜性和空間復(fù)雜性的限制。因此,本論文中提出了一種快速穩(wěn)定基于網(wǎng)格的能夠識別任意形狀類簇的聚類方法,該算法還能夠穩(wěn)定地應(yīng)對大數(shù)據(jù)集的聚類。改進(jìn)的方法中,首先該方法運(yùn)用給定的公式自動化確定網(wǎng)格的劃分區(qū)間數(shù)目,然后算法計算劃分網(wǎng)格中網(wǎng)格節(jié)點(diǎn)處的密度值而非傳統(tǒng)方法中的網(wǎng)格密度。最后,算法依據(jù)網(wǎng)格節(jié)點(diǎn)的密度值采用經(jīng)典的廣度優(yōu)先搜索算法進(jìn)行聚類操作。在多個人工數(shù)據(jù)集和真實數(shù)據(jù)集上的實驗結(jié)果表明,該方法比傳統(tǒng)的聚類方法更加有效。此外,聚類算法結(jié)果的評價通常需要計算聚類評價指標(biāo)的值,傳統(tǒng)的點(diǎn)對比較方法對于大數(shù)據(jù)集的評價指標(biāo)計算效率比較低。本論文中給出了利用混淆矩陣計算聚類結(jié)果評價指標(biāo)的方法,實驗結(jié)果表明該方法能夠明顯地提高獲取評價指標(biāo)值的效率。
【圖文】：

蘭州大學(xué)碩士學(xué)位論文 基于網(wǎng)格點(diǎn)密度估計的聚類算法研究n 為數(shù)據(jù)點(diǎn)的總數(shù)目。 √ (3-1)該公式中還有一個值得注意的地方是數(shù)據(jù)集所有維度的 K 值之乘積為 n，，這與文章[33]中所提出的思想有類似之處。實驗過程中由于 K-means 算法的結(jié)果具有一定的波動性，故而進(jìn)行了多次實驗取其結(jié)果的均值以增強(qiáng)結(jié)果的可靠性。實驗過程中運(yùn)用了幾個真實的公開數(shù)據(jù)集進(jìn)行驗證，數(shù)據(jù)集的詳細(xì)介紹將在第四章中詳細(xì)說明。該方法得到的實驗結(jié)果如圖 3-1 所示。

如圖3-2 所示：圖 3-2 網(wǎng)格與網(wǎng)格節(jié)點(diǎn)示意圖傳統(tǒng)的方法中，網(wǎng)格里面包含的數(shù)據(jù)點(diǎn)個數(shù)即為該網(wǎng)格的密度值。而在改進(jìn)的聚類算法中，密度值的計算不是統(tǒng)計網(wǎng)格中數(shù)據(jù)點(diǎn)的個數(shù)而是計算如上圖所示網(wǎng)格節(jié)點(diǎn)的密度值。首先，該方法中的數(shù)據(jù)集需要進(jìn)行歸一化處理，該方法對數(shù)據(jù)集進(jìn)行變換使得其結(jié)果的值域位于[0,1]之間。其歸一化處理的函數(shù)如 3-2 所示： (3-2)其中 X 代表原始數(shù)據(jù)集的值，MIN 和 MAX 分別代表數(shù)據(jù)集中該維度的數(shù)據(jù)點(diǎn)值的最小值和最大值，經(jīng)過該函數(shù)的變化可以得到歸一化處理的結(jié)果[36]。歸一化處理完成后，數(shù)據(jù)點(diǎn)需要被劃分到網(wǎng)格中。設(shè)算法中劃分網(wǎng)格的數(shù)目大小為 k，則可以運(yùn)用式子 3-3 對數(shù)據(jù)點(diǎn)進(jìn)行劃分操作。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王曉東;解非線性0-1規(guī)劃的一個算法及其在結(jié)構(gòu)優(yōu)化中的應(yīng)用[J];數(shù)值計算與計算機(jī)應(yīng)用;1988年01期

2 章淑貞;;算法“雙刃劍”[J];新聞與寫作;2018年09期

3 王天宇;孫宇軍;;智能情報算法體系的構(gòu)建[J];中華醫(yī)學(xué)圖書情報雜志;2018年07期

4 林耿;;一種求解厭惡型p-中位問題的混合進(jìn)化算法[J];浙江大學(xué)學(xué)報(理學(xué)版);2018年01期

5 馬慧;吳彥鴻;王宏艷;;基于貪婪搜索的RC-LDPC編碼序列打孔算法研究[J];通信技術(shù);2018年05期

6 陳樹;袁欣琪;;一種改進(jìn)的基于PEG算法構(gòu)造QC-LDPC碼的方法[J];科技展望;2015年22期

7 汪靖;劉桂元;;基于動態(tài)步長變化的螢火蟲算法[J];計算機(jī)工程與設(shè)計;2019年04期

8 段丹青;衛(wèi)宏儒;;對MIBS算法的碰撞攻擊[J];計算機(jī)科學(xué);2018年02期

9 吳尚智;任小康;;用加速逃逸時間算法構(gòu)造Julia集圖形[J];計算機(jī)應(yīng)用與軟件;2006年05期

10 李卓;李文霞;巨玉祥;陳曉明;何曉平;;混合蟻群算法求解帶軟時間窗的車輛路徑問題[J];武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版);2019年04期

相關(guān)會議論文 前1條

1 徐蔚然;張洪剛;郭軍;;基于語法、語義信息的銀行票據(jù)二值化算法的構(gòu)造[A];2001年中國智能自動化會議論文集（下冊）[C];2001年

相關(guān)博士學(xué)位論文 前5條

1 楊遠(yuǎn);非線性狀態(tài)空間模型貝葉斯估計中的高效粒子MCMC算法[D];廈門大學(xué);2017年

2 向函;復(fù)雜交通場景下車牌檢測算法的研究[D];貴州大學(xué);2019年

3 康文潔;基于F-范數(shù)最小化的稀疏近似逆預(yù)處理方法[D];清華大學(xué);2017年

4 李冬冬;基因組序列標(biāo)注的算法與理論研究[D];國防科學(xué)技術(shù)大學(xué);2004年

5 李睿智;基于局部搜索策略的若干組合優(yōu)化問題求解算法研究[D];東北師范大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 王磊;基于網(wǎng)格點(diǎn)密度估計的聚類算法研究[D];蘭州大學(xué);2019年

2 宋明展;兩類保結(jié)構(gòu)算法研究及其應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2016年

3 陳威;基于推薦窗口與關(guān)鍵點(diǎn)匹配的行人檢測算法研究[D];湖南大學(xué);2016年

4 肖懷遠(yuǎn);基于Spark的高效用項集挖掘算法研究[D];河南大學(xué);2018年

5 孔濤;基于改進(jìn)細(xì)菌覓食算法的配電網(wǎng)故障定位研究[D];山東理工大學(xué);2017年

6 朱騰云;基于密度的增量動態(tài)社區(qū)發(fā)現(xiàn)算法研究[D];福州大學(xué);2017年

7 燕亞娟;有限維Hilbert空間中框架的構(gòu)造及其算法[D];福州大學(xué);2017年

8 林道玲;一類DC優(yōu)化的加速鄰近算法及其收斂性分析[D];暨南大學(xué);2018年

9 唐偉聰;大規(guī)模MIMO系統(tǒng)中高效DOA算法的研究[D];廣東工業(yè)大學(xué);2018年

10 張東;自適應(yīng)抽樣算法及其R包開發(fā)[D];華東師范大學(xué);2017年

本文編號：2666096