基于模糊矩陣的聚類融合.pdf

1、聚類分析是在探索性數(shù)據(jù)分析領域尤其在數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的一種重要方法，并且被成功應用于工程，生物學，心理學，藥學，市場，等其他學科中。聚類通過抽象出數(shù)據(jù)中基本結構作為個體分組或者個體分層來組織數(shù)據(jù)。 本文的主要工作是不僅在理論上并且通過matlab對比實驗的方法詳細分析研究了聚類融合算法，更重要的是提出了一種新的非常有效的聚類算法，這種聚類方法基于聚類融合。聚類融合是一個非常強大的工具，可以大大提高非監(jiān)督分類方法的健壯性以及穩(wěn)定

2、性。聚類融合的目的是彌補單個聚類算法的缺陷，因為所有單個聚類對原數(shù)據(jù)都有不同程度的依賴以及不同輸入參數(shù)和初始化對算法都會產生影響。聚類融合算法的基本思想是通過運行多次聚類算法，這些算法可以是相同算法不同參數(shù)，初始值或者不同數(shù)據(jù)取樣，也可以是不同算法，然后得到多次聚類的結果，一般是帶有聚類標簽的數(shù)據(jù)結構，聚類融合的任務是由這個數(shù)據(jù)結構產生最終的聚類分割，這一過程稱為”共識函數(shù)”。聚類融合和普通聚類算法的最大不同之處在于普通聚類的對象是數(shù)據(jù)

3、集，考慮問題的要素是數(shù)據(jù)集的性質，而聚類融合的對象是普通聚類算法產生的結果，考慮的問題擺脫了數(shù)據(jù)的分布而是如何最大化共享這些結構信息。聚類融合可以看作是對聚類算法進行的”聚類”。然而找到一個合適的共識函數(shù)是聚類融合中最大的難題，目前常用的共識函數(shù)有基于相似度矩陣，基于超圖分割，相互信息，還有基于統(tǒng)計的方法。 這些方法大部分都是利用聚類標簽作為共識函數(shù)的輸入，然而標簽向量是硬劃分聚類算法的結果，本文依據(jù)概率統(tǒng)計的基本原理，采用模糊