基于最优投影的半监督谱聚类算法的研究

摘要

针对谱聚类算法在解决高维、大数据量的数据聚类时出现的时间和空间复杂度过高、聚类性能明显下降甚至不可用的问题进行了研究，提出了基于最优投影的半监督谱聚类算法。利用了LDA准则对监督信息进行分析处理，得到可以使样本达到最优投影的矢量空间并对同分布的原始数据进行投影，在降维的同时达到对维度重要性的区分，从而提高聚类准确率。同时，利用了Nystr(o)m抽样算法将大规模数据相似矩阵的计算转换为少量数据逼近整体样本的方式，减少了计算量从而提高计算效率。本文从经典的聚类分类数据集UCI中的选取了不同类型的数据集，将本文算法与其他算法进行了实验对比，结果表明，本文算法提高了聚类的准确率和计算效率，尤其是在面对高维、大数据量聚类问题时，其性能提高更为显著。

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文组织结构和内容

2 谱聚类算法相关理论

2.1 谱聚类的概念与准则

2.2 谱聚类算法基本步骤

2.3 谱聚类算法存在的问题

2.4 本章小结

3 最优投影和Nystr?m抽样优化半监督谱聚类

3.1 半监督谱聚类

3.2 投影理论与算法

3.3 Nystr?m抽样

3.4 本章小结

4 基于最优投影的半监督谱聚类算法

4.1 最优投影的实现

4.2 算法描述

4.3 本章小结

5 实验结果和应用分析

5.1 实验环境

5.2 实验评估

5.3 实验结果

5.4 本章小结

结论

参考文献

作 者 简 历

学位论文数据集