發(fā)布時間：2024-01-21 14:35

　　在信息時代里,人類需要在非常大量的信息中挖掘潛在信息,其中聚類分析是重要的手段之一。在數據挖掘領域中,聚類分析是很重要的一塊內容。由于技術的發(fā)展,需要處理的數據的數量增長快速,維度相比從前也增加很多,數據的結構類型變得更加復雜多樣,因此聚類分析技術的發(fā)展面臨著嚴峻的考驗。傳統(tǒng)的聚類分析技術可以分為基于層次的、基于劃分的、基于網格的、基于密度的、基于模型的等五種類型,經過長時間的發(fā)展,學者們又提出了基于熵的聚類、譜聚類、不確定聚類等技術。但大多聚類分析算法缺乏普適性,在處理具有復雜多樣的數據結構的數據集時常出現陷入局部極小的問題。近年來,隨著對神經網絡技術研究的復興,學者發(fā)現該技術對不確定性信息的處理能力強,具有非常強的魯棒性,其中屬于無監(jiān)督學習的彈性網絡算法具有良好的幾何性質,可以針對一個具體的目標函數進行求解,與聚類問題的定義非常契合,因此本文在彈性網絡算法的基礎上進行了研究,將該網絡應用在聚類分析領域中。本文的主要工作內容和成果如下:1、由于原始彈性網絡算法僅用于求解TSP問題,因此首先提出基于極大熵的彈性網絡聚類算法(Elastic Net of Clustering based...

【文章頁數】：66 頁

【學位級別】：碩士

本文編號：3882171