支持向量机与K-均值聚类融合算法研究

摘要

本文在介绍了支持向量机和K-均值聚类算法的基本理论的基础上，对支持向量机和K-均值聚类算法的融合算法进行了研究，详细介绍了改进算法的理论知识，并通过实验验证了算法的有效性。 支持向量机是在统计学习理论基础上发展出来的一种新的、非常有效的机器学习方法，它集优化、核、最佳推广能力等特点于一身，较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。尽管支持向量机有着其它机器学习方法无法比拟的优势，但也有其自身局限性。针对其对噪声和野点敏感的问题，我们提出了基于模糊隶属度的支持向量机去噪方法，在线性规划下的一类分类支持向量机中引入模糊隶属度，剔除样本中的噪声和野点，并在多种数据集上验证了算法的有效性。 K-均值算法是解决聚类问题的一种简洁、快速的经典算法。如果样本是密集的，并且类与类之间是线性可分的，它的效果最好：但是如果类与类之间是线性不可分的，它的聚类效果就很不理想。针对这个问题，我们提出了基于支持向量机的K一均值聚类算法，将一类分类支持向量机引入K-均值聚类算法之中。文中在人工数据集(Delta Set)和UCI数据集(Iris Dalta)上分别进行了实验，实验证明，此算法与其它算法相比，聚类精度明显提高。而且线性规划下的支持向量机比引用二次规划下的支持向量机，不仅提高了聚类精度，而且极大的降低了算法的复杂性。

目录

文摘

英文文摘

声明

1绪论

1.1论文研究的背景及意义

1.2本文的研究内容及组织结构

1.2.1研究内容

1.2.2组织结构

2支持向量机理论

2.1基于二次规划的支持向量机分类

2.1.1线性可分

2.1.2线性不可分

2.1.3一类分类

2.2基于线性规划的支持向量机分类

2.3基于模糊隶属度的支持向量机去噪方法

2.3.1构造隶属度函数

2.3.2实现步骤

2.3.3实验分析

2.3.4实验总结

3 K-均值聚类算法

3.1划分聚类算法概述

3.2聚类分析中数据类型

3.3聚类分析中相似度度量方法

3.4聚类分析中聚类准则函数

3.5 K-均值聚类算法

3.5.1 K-均值聚类算法简介

3.5.2 K-均值聚类算法基本思想及算法流程

3.5.3 K-均值聚类算法的特点和存在的问题

3.5.4 K-均值聚类算法初值的选取方法

3.6基于支持向量机的K-均值聚类算法

3.6.1算法简介

3.6.2实现步骤

3.6.3实验分析

3.6.4实验总结

4总结与展望

参考文献

致谢

附录攻读硕士学位期间发表的学术论文