基于最大相对密度路径的集成聚类方法

摘要

集成聚类，是通过对各个基础聚类结果进行融合来得到一种更优的聚类结果的一种集成方法。尽管目前已经有很多人提出了很多集成聚类的方法，但是在大部分的方法中，仍然存在两点普遍的局限性。
　　第一，大部分已经提出的方法假设各个基础聚类之间是相互独立的，从而忽略了基础聚类之间潜在的关系。第二，这些方法很少在利用基础聚类算法的结果设计新的点与点或点与簇的表达形式时，很少考虑使用数据集的局部信息与全局信息相结合的方法。基于上述两点局限性，本文提出了一种新颖的基于最大相对密度路径累积(MRDPA)的集成聚类方法。
　　在本方法中，首先运用K近邻相对核密度和高密度近邻原则来生成基础聚类集，通过改变K近邻相对核密度中的K的取值来体现输入数据的不同尺度下的信息。接下来，我们定义最大相对密度路径的概念来体现数据集在K近邻图上的全局信息，基于最大相对密度路径来生成点与簇，点与点的相似度表达形式。最后，运用融合方法来得到最终的聚类结果。
　　我们运用2个人工数据集以及5个真实数据集来评估提出的方法，实验结果表明本文提出的方法在性能上要优于现有的集成聚类方法。最后，我们将提出的方法运用在高光谱图像数据集的聚类问题上，实验结果表明在高光谱图像数据集上，本文提出的方法可以得到较好的效果。

目录

声明

致谢

摘要

1．1 研究背景与意义

1．2 本文的主要贡献及创新点

1．3 文章组织结构

2 相关工作研究综述

2．1 传统聚类方法

2．2 单机密度聚类方法

2．3 集成聚类方法

2．4 基于成对相似性的集成聚类方法

2．5 基于中值划分的集成聚类方法

2．6 基于图分割的集成聚类方法

3 基于最大相对密度路径的集成聚类方法

3．1 问题定义

3．2 基于最大相对密度路径的集成聚类方法

3．2．1 生成基础聚类

3．2．2 构造点与簇相似度矩阵

3．2．3 构造点与点相似度矩阵

3．2．4 融合方法

3．3 实验

3．3．1 实验设置

3．3．2 在可视化数据集上的对比

3．3．3 与单机密度聚类进行对比

3．3．4 与其他集成聚类进行对比

3．4 小结

4 MRDPA在遥感数据集上的应用

4．1 背景介绍

4．2 相关工作

4．2．1 基于质心的高光谱聚类算法

4．2．2 基于密度的高光谱聚类算法

4．2．3 生物聚类法

4．2．4 基于频谱的高光谱聚类算法

4．2．5 其他方式的高光谱聚类

4．3 算法描述

4．3．1 生成基础聚类

4．3．2 构造点与簇的相似度矩阵

4．3．3 构造点与点的相似度矩阵

4．3．4 融合方法

4．4 高光谱数据集实验

4．4．1 实验设置

4．4．2 在高光谱数据集上的效果

4．5 小结

5 结论

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集