无监督学习框架下学习分类器系统聚类与主干网提取方法研究

《无监督学习框架下学习分类器系统聚类与主干网提取方法研究》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、学校代码：１０２８５ｉ４０２７００４学号ＪＯｒ？襄１牡聲ＳＯＯＣＨＯＷＵＮＩＶＥＲＳＩＴＹ－．ｍｇｇｇ；＾－ｆｆＨＨ无监督学习框架下学习分类器系统聚类与巧网觀肪法研究ＯｎＬｅａｒｎｉｎｇＣｌａｓｓｉｆｉｅｒＳｙｓｔｅｍＣｌｕｓｔｅｒｉｎｇａｎｄＢａｃｋｂｏｎｅＥｘｔｒａｃｔｉｏｎＭｅｔｈｏｄｓｕｎｄｅｒＵｎｓｕｐｅｒｖｉｓｅｄＬｅａｒｎｉｎｇＦｒａｍｅｗｏｒｋ硏究生姓名钱利强指导教师姓名李凡长、张莉ｉｓｓｇ＾＾专业名称计算机应用技术研究

2、方向机器学习龍所在院部计算机科学与技术学院為论文提交日期２０化年１２月ｉ３；；Ｖ—苏帅Ｉ大学学位论女独创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进巧研究工作所取得的成果。除文中已经注巧引用的内容外，本论文不含其化个人或集体百经发表或撰写过的研巧成果，也不含为获得苏州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体。，均已在文中明蘭方式碌明本人承担本声明的法律责任。论文作者签名：日期：如娘刮裴一苏州大学学位论女使用授

3、权声明本人完全了解苏州大学关于收集、保存和使用学位论文的规定，即：学位论文著作权归属苏州大学。本学位论文电子文挡的内容和纸．一质论文的内容相致。苏州大学有枚向国家图书馆、中国社科院文献信息情报中也、、中国科学技术信息研巧所（含万方数据电子出版化）、中国学术期刊（光盘版）电子杂志社送交本学位论文的复印件和电子文挡，允许论文被査阅和借阔，可臥采用影巧、缩印或其他复制手段据保存和汇编学位论文，可＾＾＾将学位论文的全部或部分内容编入有关数库进行抢蒙。涉密论文口本学恼论文属，在年＿＿＾解密后适用本规定。

4、司尚密论文□论克降者签每；；．朱叛＿日期：足如脅（＇＇导卿．签每ｙ％／日期：无监督学习框架下学习分类器系统聚类与主干网提取方法研究中文摘要无监督学习是机器学习领域重要的研究方向之一，其应用非常的广泛。如数据聚类、复杂网络的主干网提取等。本文以投票集成聚类和复杂网络图聚类为切入点进行研究，取得的成绩包括：(1)针对数据的集成聚类问题，提出了基于扩展分类器系统的投票集成聚类方法。基于扩展分类器系统的投票集成聚类方法，首先利用扩展分类器系统在不同聚类个数的情况下生成一个聚类结果集合；然后引入分裂策略从所有候选值中确定聚类

5、个数；最后，采用基于多数投票的一致性方法获得最终聚类结果。在人工数据和实际数据上的实验结果均表明了所提出方法的有效性。(2)在基于扩展分类器系统的投票集成方法的基础上，提出了基于扩展分类器系统的统一聚类集成框架。该框架包括了更多适用的融合准则、共识函数和自适应集成等内容。具体来说，在处理一个聚类任务的时候，所提出的方法首先会执行学习分类器系统来生成几个基聚类结果。为了使这些结果之间存在较大的多样性，本文对聚类数据使用不同的初始化，比如使用不同的聚类数目等。得到这些基聚类结果之后，我们提出的方法会使用相应的策略来生成最终的聚类结果。在人工数

6、据和实际数据上的实验结果表明了所提框架的有效性。(3)针对复杂网络的图聚类问题，提出了一种基于不完全信息的无监督学习的复杂网络主干网提取方法。主干网提取的目的主要是压缩复杂网络的边和点数量，以尽量精简的子网络保留原网络的重要特征（如拓扑结构、点重要性特征等），从而帮助人们以更简单的形式来理解网络系统。本文以零模型为参考优化边过滤条件，并设计一种局部搜索模型。在四个真实网络上的实验结果表明本文所提出方法不仅大幅度减少了主干网中的离群点、而且更好地保留了原网络的各种特征、且比同类方法更加高效。I关键词：机器学习；无监督学习；聚类分析；学习分类

7、系统；集成学习；复杂网络；主干网提取作者：钱利强指导老师：李凡长、张莉（教授）IIOnLearningClassifierSystemClusteringandBackboneExtractionMethodsunderUnsupervisedLearningFrameworkAbstractUnsupervisedlearningisoneofthemostimportantresearchbranchinthefieldofmachinelearninganditsapplicationisveryextensive.Forexamp

8、le:clusteringofdataextraction,complexnetworkbackboneetc.Basedonthevotingintegratedclusteringandc