分布式单类支持向量机聚类算法地研究

《分布式单类支持向量机聚类算法地研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文摘要摘要伴随着计算机技术的飞速发展，尤其是互联网技术的兴起和数据存储技术的提升，数据积累的速度越来越快，用户如何在有限的时间内得到有用的信息是目前计算机科学领域迫切解决的问题之一，聚类算法研究就是其中的一项重要研究课题。聚类分析是通过计算数据样本间的相似性完成对于数据的划分，目前已经广泛应用于生物信息学、图像处理、地理信息学、物理高性能计算等领域。虽然传统聚类算法的研究已经取得了不错的效果，但是在处理海量数据的聚类问题方面目前的算法还不够理想，因此如何设计一种高效的聚类算法是当前数据挖掘领域急需解决的问题之一。本文对于目前常用聚类算法进行介绍，对于常用算法的优势和存在问题进行了分析

2、和归纳。结合目前计算机发展的新形势和机器学习理论，本文提出了一种基于单类支持向量机理论的分布式聚类算法。通过对于经典的支持向量机聚类方法进行改进，提高了算法处理效率，并用该算法结合Multi．Agent框架设计了一种分布式聚类系统。该系统通过对大规模数据集合进行划分，分发给不同分处理器处理生成支持向量，然后使用支持向量机构建邻接矩阵并求解最大连通分量的方法实现聚类。本文采用不同类别和规模的数据样本对系统进行了测试，对于结果进行了分析并与串行算法进行了对比，从实验角度证明了算法对于大规模数据处理的效果和可行性。本文最后对于系统存在问题进行了归纳，并对聚类算法研究未来的发展进行了展望。关键

3、词单类支持向量，分布式计算，聚类，机器学习，多AgentAbstractWiththerapiddevelopmentofcomputerscience，especiallythedevelopmentofIntemetandthestoragetechnology，theaccumulationofthedataisbecomingmoreandmore．Itisurgenttosolvetheissuesthathowtofindoutthehelpfulinformationinveryshorttimeincomputerscience．Clusteringisoneofpow

4、erfulmethodtoresolvetheproblem．Clusteringclassifiesthesampleintodifferentclasses，accordingtothesimilarityofthedataset．Theclusteringalgorithmhasusedinthebiologicalinformationscience，ImageProcessing,GeographicalInformaticsandPhysicalHigh-PerformanceComputing,etc．ResearchesOilclusteringalgorithmhav

5、emadetheconsiderableprogress，butitisnotsatisfyingtodealwithlargedataset．Sohowtodesignahighefficientclusteringmethodisurgenttobetreatedinfieldofdatamining．Thepaperintroducedthecommonclusteringalgorithmandsummarizedtheadvantagesanddisadvantagesofthesealgorithms．Withthecurrentstudysituationofcomput

6、erscience，thepaperpresentsaclusteringalgorithmbasedonone—classSVllltheory,raisingtheefficiencyofelusteringbyimprovingclassicSVMclusteringmethod．WiththealgorithmwedesignadistributedclusteringsystembasedonMulti—agenttheory．Inthissystem，thelargedatasetisdividedtodifferentpartsandcomputedthesupportv

7、ectors，andthenaccordingtoconstructtheadjacencymatrixandcomputingtheconnectedsubregiontogetthenumberofclusters．Atlast,wecomparetheparallelalgorithmwithsequentialalgorithmandindicatetheefficientforlargedataset．Lastly,thepapers