基于划分的聚类算法的应用

文献阅读报告

课程名称： 《模式识别》 课程编号：

题目: 基于划分的聚类算法

研究生姓名: 学 号:

论文评语:

成 绩: 任课教师:

评阅日期:

基于划分的聚类算法

2016-11-20

摘 要:

聚类分析是数据挖掘的一个重要研究分支，已经提出了许多聚类算法，划分方法是其中之一。基于

划分的聚类算法就是用统计分析的方法研究分类问题。本文介绍了聚类的定义以及聚类算法的种类，详细阐述了K均值聚类算法和K中心点聚类算法的基本原理并对他们的性能进行分析，对近年来各学者对基于划分的聚类算法的研究现状进行梳理，对其具体应用实例作简要介绍。

关键字： 数据挖掘；聚类；K 均值聚类算法；K 中心点聚类算法；K众数算法；k多层次聚类算法

Partitional clustering algorithms

Abstract: Clustering analy

独创性声明

本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。

论文题目： 作者签名：

日期： 年 月 日

论文版权使用授权书

本人完全了解吉首大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。同意吉首大学可以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。

(保密的学位论文在解密后应遵守此协议)

论文题目：

学生签名： 日期： 年 月 日

导师签名： 日期： 年 月 日

I

几种聚类的算法 安世亚太研究院 2012-12-5 作者: 张晓燕 几种聚类的算法 目录 1.1 1.2 谱聚类 ........................................................................................................... 2 增量谱聚类 .................................................................................................... 2 一、 增量谱聚类........................................................................................................ 2 二． AFFINITY PROPAGATION 聚类算法 .............................................................................. 5 2.1 AFFINITY PROPA

内容摘要 本文在分析和实现经典k-means算法的基础上，针对初始类中心选择问题，结合已有的工作，基于对象距离和密度对算法进行了改进。在算法实现部分使用vc6.0作为开发环境、sql sever2005作为后台数据库对算法进行了验证，实验表明，改进后的算法可以提高算法稳定性，并减少迭代次数。

关键字 k-means；随机聚类；优化聚类；记录的密度 1 引言

1.1聚类相关知识介绍

聚类分析是直接比较各事物之间性质，将性质相近的归为一类，将性质不同的归为一类，在医学实践中也经常需要做一些分类工作。如根据病人一系列症状、体征和生化检查的结果，将其划分成某几种方法适合用于甲类病的检查，另几种方法适合用于乙类病的检查，等等。聚类分析被广泛研究了许多年。基于聚类分析的工具已经被加入到许多统计分析软件或系统中，入s-plus,spss,以及sas。

大体上，聚类算法可以划分为如下几类： 1) 划分方法。 2) 层次方法。

3) 基于密度的算法。 4) 基于网格的方法。 5) 基于模型的方法。 1.2 研究聚类算法的意义

在很多情况下，研究的目标之间很难找到直接的联系，很难用理论的途径去解决。在各目标之间

第22卷　第6期2004年11月

文章编号:1671-5896(2004)06-0643-05

吉林大学学报(信息科学版)

JournalofJilinUniversity(InformationScienceEdition)Vol.22　No.6

Nov.2004

基于模糊聚类和信息熵的综合评价算法

张运凯1,王方伟1,戴敬书2,黄文艳3,陈艳红4

(1.河北师范大学网络中心,河北石家庄050016;2.河北电视台新闻中心,河北石家庄050031;3.河北师范大学数学与信息学院,河北石家庄050016;4.秦皇岛外国语职业学院,河北秦皇岛066311)

摘要:针对目前综合评价技术存在的主旨不相协调、忽略了简洁性与有效性问题,在分析已有算法的基础上,提出了一种基于模糊聚类和信息熵的综合评价算法,该算法有针对性地克服了原有评价算法的缺陷,具有较好的实用性,最后通过实际数据对该算法的有效性进行了验证。关键词:模糊聚类;信息熵;综合评价中图分类号:TP312　　　文献标识码:A

Newcomprehensiveevaluationalgorithmbasedonfuzzy

clusteringandinformationentropy

ZHANGYun-kai1,WAN

ISSN 1000-9825, CODEN RUXUEW E-mail: jos@

Journal of Software, Vol.19, No.6, June 2008, pp.1283 1300 DOI: 10.3724/SP.J.1001.2008.01283 Tel/Fax: +86-10-62562563 © 2008 by Journal of Software. All rights reserved.

基于多重分形的聚类层次优化算法

闫光辉1,2+, 李战怀1, 党建武2

12

(西北工业大学 计算机学院,陕西 西安 710072)

(兰州交通大学 电子与信息工程学院,甘肃 兰州 730070)

Finding Natural Cluster Hierarchies Based on MultiFractal

YAN Guang-Hui1,2+, LI Zhan-Huai1, DANG Jian-Wu2

12

(School of Computer Science, Northwestern Polytechnical University, Xi’an 710072, China)

(School of Informat

各种聚类算法及改进算法的研究

作者：王安志 李明东 李 超 时间：2009-3-3 10:59:00 来源：论文天下论文网

论文关键词：数据挖掘；聚类算法；聚类分析

论文摘要：该文详细阐述了数据挖掘领域的常用聚类算法及改进算法，并比较分析了其优缺点，提出了数据挖掘对聚类的典型要求，指出各自的特点，以便于人们更快、更容易地选择一种聚类算法解决特定问题和对聚类算法作进一步的研究。并给出了相应的算法评价标准、改进建议和聚类分析研究的热点、难点。上述工作将为聚类分析和数据挖掘等研究提供有益的参考。

1 引言

随着经济社会和科学技术的高速发展，各行各业积累的数据量急剧增长，如何从海量的数据中提取有用的信息成为当务之急。聚类是将数据划分成群组的过程，即把数据对象分成多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。它对未知数据的划分和分析起着非常有效的作用。通过聚类，能够识别密集和稀疏的区域，发现全局的分布模式，以及数据属性之间的相互关系等。为了找到效率高、通用性强的聚类方法人们从不同角度提出了许多种聚类算法，一般可分为基于层次的，基于划分的，基于密度的，基于网格的和基于模型的五大类。 2 数据

1.聚类定义

“聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集（subset）,这样让在同一个子集中的成员对象都有一

些相似的属性” ——wikipedia “聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对

象有很大的相似性，而不同簇间的对象有很大的相异性。” ——百度百科

说白了，聚类（clustering）是完全可以按字面意思来理解的——将相同、相似、相近、相关的对象实例聚成一类的过程。简单理解，如果一个数据集合包含N个实例，根据某种准则可以将这N个实例划分为m个类别，每个类别中的实例都是相关的，而不同类别之间是区别的也就是不相关的，这个过程就叫聚类了。

2.聚类过程:

1) 数据准备:包括特征标准化和降维.

2) 特征选择:从最初的特征中选择最有效的特征,并将其存储于向量中.

3) 特征提取:通过对所选择的特征进行转换形成新的突出特征.

4) 聚类(或分组):首先选择合适特征类型的某种距离函数(或构造新的

k-means聚类算法的研究

1．k-means算法简介

1.1 k-means算法描述

给定n个对象的数据集D和要生成的簇数目k，划分算法将对象组织划分为k个簇（k<=n），这些簇的形成旨在优化一个目标准则。例如，基于距离的差异性函数，使得根据数据集的属性，在同一个簇中的对象是“相似的”，而不同簇中的对象是“相异的”。划分聚类算法需要预先指定簇数目或簇中心，通过反复迭代运算，逐步降低目标函数的误差值，当目标函数收敛时，得到最终聚类结果。这类方法分为基于质心的（Centroid-based）划分方法和基于中心的（Medoid-based）划分方法，而基于质心的划分方法是研究最多的算法，其中k-means算法是最具代表和知名的。

k-means算法是1967年由MacQueen首次提出的一种经典算法，经常用于数据挖掘和模式识别中，是一种无监督式的学习算法，其使用目的是对几何进行等价类的划分，即对一组具有相同数据结构的记录按某种分类准则进行分类，以获取若干个同类记录集。k-means聚类是近年来数据挖掘学科的一个研究热点和重点，这主要是因为它广泛应用于地球科学、信息技术、决策科学、医学、行为学和商业智能等领域。迄今为止，很多聚类任务都选择该算法。k-means算法是应用最为广泛的聚类算法。该算法以类中各样本的加权均值（成为质心）代表该类，只用于数字属性数据的聚类，算法有很清晰的几何和统计意义，但抗干扰性较差。通常以各种样本与其质心欧几里德距离总和作为目标函数，也可将目标函数修改为各类中任意两点间欧几里德距离总和，这样既考虑了类的分散度也考虑了类的紧致度。k-means算法是聚类分析中基于原型的划分聚类的应用算法。如果将目标函数看成分布归一化混合模型的似然率对数，k-means算法就可以看成概率模型算法的推广

本科毕业设计论文

题目：基于R语言的多种聚类算法演示平台开发

作者姓名 徐天宇 指导教师 陈晋音教授 专业班级 自动化1104 学 院 信息工程学院

提交日期 2015年5月28日

浙江工业大学本科毕业设计论文

基于R语言的多种聚类算法演示平台开发

作者姓名：徐天宇 指导教师：陈晋音副教授

浙江工业大学信息工程学院

2015年6月

Dissertation Submitted to Zhejiang University of Technology

for the Degree of Bachelor

Clustering Algorithms Demonstration Platform based

on Rstudio

Student: Tianyu Xu Advisor: Jinyin Chen

College of Information Engineering Zhejiang University of Technology

June 2015

浙 江 工 业 大 学

本科生毕业设计（论文、创作）任务书

专 业__