基于划分的双向选择自组织聚类算法的研究-自动化基础-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 自动化基础 >> 正文

基于划分的双向选择自组织聚类算法的研究

作者：李岚 Publish: 2007-8-7 Hits:-

【中文题名】

基于划分的双向选择自组织聚类算法的研究

【英文题名】

Research of a Partition-Based Bidirectional Selection SOM Algorithm

【学科专业】

计算机软件与理论

【论文级别】

硕士论文

【投稿时间】

2007-8-7

【中关键词】

数据挖掘,聚类分析,K-medoids,SOM,,

【英关键词】

【分类导航】

工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算>

【论文摘要】

聚类分析和人工神经网络都是数据挖掘的重要支撑技术,其中,基于划分的K-medoids算法和SOM算法是经典的并在实际中得到广泛应用的算法。然而,在当今信息爆炸的时代,各种数据集的维度不断提高,数据量不断增大,聚类分析作为数据挖掘中数据处理重要的一环有着极其重要的作用,所以准确、高效的聚类分析算法在数据挖掘以及实际应用方面具有重要的意义。本文从基于划分聚类算法中的K-medoids算法和自组织特征映射SOM算法出发,结合二者的优点设计并实现了一个改进算法——双向选择自组织聚类算法(BSAN)。利用了K-medoids算法的思想,在各个非中心对象通过距离准则选择中心点的基础上,提出了由非中心点选择中心点的逆向过程,同时中心点也对非中心点的选择进行加“权”从而实现了双向选择的机制;并以SOM网络模型作为参考,将得到的选择机制应用于自组织网络。从而得到了准确度更高的,且收敛的BSAN算法。文章最后,在算法分析和结果评估方面,给出算法分析和结果评价。选择了一些UCI标准数据集作为测试用例对算法进行了测试,并分析算法的复杂度及聚类结果。

【论文题纲】

提要	4-7
第一章绪论	7-15
1.1 数据挖掘简介	7-11
1.1.1 数据挖掘的定义	7-8
1.1.2 数据挖掘的支撑理论及方法	8-11
1.2 数据挖掘中的聚类分析	11-12
1.3 人工神经网络	12-14
1.4 本文的主要内容	14-15
第二章基于划分的聚类算法K-medoids	15-30
2.1 聚类算法设计中的典型要求	15-16
2.2 聚类分析中的数据类型	16-19
2.3 相似度度量方法	19-23
2.3.1 距离	19-21
2.3.2 相似系数	21-23
2.4 K-medoids 算法	23-27
2.4.1 聚类的准则	23-24
2.4.2 类的表示	24-26
2.4.5 算法框架	26-27
2.5 聚类分析方法的评价	27-29
2.6 本章小结	29-30
第三章自组织映射网(SOM)	30-43
3.1 竞争学习	31-33
3.2 基本特征映射模型	33-34
3.3 自组织映射	34-41
3.4 SOM 算法	41-42
3.5 本章小结	42-43
第四章基于划分的双向选择自组织聚类算法	43-55
4.1 问题的描述	43-44
4.2 基本思想	44-45
4.3 算法设计	45-50
4.4 算法实现	50-53
4.5 本章小结	53-55
第五章算法分析与结果评估	55-62
5.1 测试用例	55-56
5.2 复杂度分析	56-57
5.3 聚类结果分析	57-60
5.4 算法比较与评价	60-61
5.5 本章小结	61-62
第六章总结	62-63
参考文献	63-66
摘要	66-69
Abstract	69-72
致谢	72-73
导师及作者简介	73

【DOI】

LunWen.ID:2.2008.388731



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：数据挖掘论文聚类分析 K-medoids SOM

自动化基础最新论文

自动化基础热门论文