基于網(wǎng)格的聚類融合算法的研究.pdf

1、組合分類方法已被證明是非常普遍和有效地、能夠改進(jìn)學(xué)習(xí)精確度的監(jiān)督方法。依據(jù)同樣的原理,聚類融合的目的是融合來自多個(gè)劃分的結(jié)果以得到更高質(zhì)量和魯棒性的聚類結(jié)果。目前已經(jīng)出現(xiàn)了很多的聚類融合算法,大量的理論和實(shí)驗(yàn)研究表明:與單個(gè)聚類相比,聚類融合具有明顯的優(yōu)勢(shì)。
　　 在眾多的聚類方法中,基于網(wǎng)格的方法以網(wǎng)格為單位學(xué)習(xí)聚簇,速度快、效率高,但它構(gòu)造的每個(gè)聚簇邊界成鋸齒狀,不能很好地識(shí)別平滑邊界曲面。本文在對(duì)已往聚類融合算法進(jìn)行深入分

2、析的基礎(chǔ)上,并結(jié)合網(wǎng)格聚類算法的優(yōu)缺點(diǎn),提出了一種基于網(wǎng)格的聚類融合算法:旋轉(zhuǎn)網(wǎng)格(Rotation Grid,簡(jiǎn)稱RG)。該算法能夠有效地解決網(wǎng)格聚類方法中邊界處理不平滑問題,RG算法有兩個(gè)關(guān)鍵的步驟:(1)生成若干個(gè)具有差異性的聚類成員;(2)設(shè)計(jì)融合函數(shù)對(duì)聚類成員進(jìn)行融合。本文圍繞這兩個(gè)方面進(jìn)行了研究。在生成聚類成員方面,RG不是通過隨機(jī)抽樣數(shù)據(jù)集或隨機(jī)初始化相關(guān)參數(shù)來創(chuàng)建有差異的聚類成員,而是迭代的將特征劃分為K個(gè)數(shù)據(jù)子集,并使

3、用特征變換得到K個(gè)不同的旋轉(zhuǎn)變換基,形成新的特征空間,并將網(wǎng)格聚類算法應(yīng)用于該特征空間,從而構(gòu)建有差異的聚類成員;在設(shè)計(jì)融合函數(shù)方面,算法沿用了基于超圖的思想,將聚類成員中的每個(gè)簇寫成單位向量形式,將每個(gè)向量看作頂點(diǎn),構(gòu)造一個(gè)帶權(quán)超圖。依次計(jì)算出所有頂點(diǎn)對(duì)之間的邊權(quán)重,并找出邊權(quán)重最大的兩個(gè)簇,用相同的標(biāo)簽來標(biāo)示,然后用投票的方法決定數(shù)據(jù)集中的每個(gè)點(diǎn)所在的簇。通過大量的實(shí)驗(yàn)表明,RG算法能夠有效地劃分任意形狀、大小的數(shù)據(jù)集,并能有效的解