基于方向性多重假设检验和信息熵的函数型数据聚类新方法

摘要

近年来,针对函数型数据的聚类分析得到了一定程度的发展.但当数据属于无限维空间时,会给聚类带来一定的难度.传统聚类方法的局限性在函数型数据的聚类过程中日益凸显.因此,本文提出了一种针对函数型数据的新聚类方法,能够更好地适应数据的特点,实现较好的聚类效果.首先基于错误发现率的方向性多重假设检验和信息熵的理论,提出了新的平行度统计量,用以描述函数型曲线的形态差异.在此基础上提出了新接近度的计算公式,最终改进了凝聚式层次聚类算法.新的聚类方法被应用到4个不同类型的函数型数据集中,并与现有的其它方法的聚类结果进行分析和比较,证明了改进后的凝聚式层次聚类方法的有效性.