摘要：在数据挖掘和机器学习的基于距离的各种技术中,例如基于距离的聚类和基于距离的分类,如何度量数据间的性已经了一项基础任务。对于某一具体问题,合适的性度量,会使问题更的解决。越来越多的研究,对成对约束(正约束和负约束)的充分利用,从而与问题相匹配的性度量,大幅度的提升算法性能。基于约束的性度量研究主要是基于约束的距离度量学习,对约束信息的利用,学习一个距离度量矩阵,然后再分类聚类。对成对约束尤其是负约束的挖掘,种新的基于约束的性度量,主要创新和研究工作总结如下(1)对最近邻准则和支持向量机的分析,从中提取出中垂面的；从负约束对中挖掘出中垂面,一种基于约束的中垂面度准则,并在人工数据集上对如何计算度做了示例。(2)将基于约束的中垂面度准则应用于聚类任务中,基于约束的中垂面度聚类算法MPHS (Mid-Perpendicular Hyperplane Similarity)。分别在数据集线性可分和数据集线性不可分两种情况下聚类,多个具体算法。在多个UCI标准数据集和多个图像数据集上的实验,MPHS算法与所对比的算法在性能上有很大的提升。(3)在半监督聚类学习中引入集成学习的思想,了基于约束的中垂面度聚类集成算法。算法对约束的集成,的提高了在多个UCI标准数据集和多个图像数据集上的聚类性能。(4)将基于约束的中垂面度准则应用于分类任务中,了基于约束的中垂面度分类算法。在性矩阵后,分别应用最近邻算法和支持向量机分类,相应的分类算法mphs-1nn和mphs-svm。同时将集成学习的思想考虑到分类任务中,对应的集成学习算法mphs-Inn-bagging和mphs-svm-bagging。在多个UCI标准数据集上的实验结果验证了所提算法的性。关键词：性度量论文成对约束论文距离度量学习论文中垂面度论文集成学习论文半监督论文
摘要4-5
ABSTRACT5-10
章 绪论10-16
1.1 研究背景及其10
1.2 性度量基本知识10-11
1.3 基于成对约束的学习11-12
1.4 SSKK和PCP介绍12-13
1.4.1 SSKK算法介绍12
1.4.2 PCP算法介绍12-13
1.5 的研究工作13-14
1.6 的内容安排14-16
章 基于约束的中垂面度准则16-21
2.1 引言16
2.2 中垂面度准则16-18
2.2.1 最近邻准则16-17
2.2.2 支持向量机17
2.2.3 中垂面度准则17-18
2.3 基于约束的中垂面度准则18-19
2.4 小结19-21
章 基于约束的中垂面度聚类算法21-31
3.1 引言21
3.2 基于约束的中垂面度聚类算法21-24
3.2.1 线性可分情况22-23
3.2.1.1 降维22
3.2.1.2 度矩阵计算22
3.2.1.3 聚类22-23
3.2.2 线性不可分情况23
3.2.3 MPHS算法23-24
3.3 实验结果及分析24-27
3.3.1 实验设置24-26
3.3.2 聚类性能分析26
3.3.3 参数u的选取26-27
3.4 小结27-31
章 基于约束的中垂面度聚类集成算法31-40
4.1 引言31-32
4.2 基于约束的中垂面度聚类集成算法32-34
4.2.1 集成学习32-33
4.2.2 BMPHS算法33-34
4.3 实验结果与分析34-35
4.3.1 实验设置34
4.3.2 与单个聚类算法对比34-35
4.3.3 与集成学习方法对比35
4.4 小结35-40
第五章 基于约束的中垂面度分类算法40-46
5.1 引言40
5.2 基于约束的中垂面度分类算法40-42
5.3 基于约束的中垂面度分类集成算法42-43
5.4 实验结果及分析43-44
5.5 小结44-46
第六章 总结与展望46-48
6.1 已有工作总结46
6.2 未来工作展望46-48
参考文献48-52
致谢52-53
攻读硕士学位期间发表的学术论文53
S算法33-344.3实验结果与分析34-354.3.1实验设置344.3.2与单个聚类算法对比34-354.3.3与集成学习方法对比354.4小结35-40第五章基于约束的中垂面度分类算法40-465.1引言405.2基于约束的中垂面度分类算法40-425.3基于约束的中垂面度分类集成算法42-435.4实验结果及分析43-445.5小结44-46第六章总结与展望46-486.1 WWw.808so.com 808论文查重
基于约束中垂面相似度准则及其应用
更新时间：2024-01-15
作者：用户投稿
本站原创
本站原创
点赞:21537 浏览:96364