基于深度学习的聚类关键技术研究

《基于深度学习的聚类关键技术研究》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、国內图书分类号：ＴＰ３０１．６密级；公开１１４国际图书分类号：６８．西南交通大学研究生学位论文基于深度学习的聚类关键技术研究年级２０。级姓名杨琪申请学位级别工学硕±专业计算机科学与技术指导老师王红军二零一六年五月ＣｌａｓｓｉｆｉｅｄＩｎｄｅｘ：ＴＰ３０１．６Ｕ．Ｄ．Ｃ：６８１．１４ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙＭａｓｔｅｒＤｅｒｅｅＴｈｅｓｉｓｇＲＥＳＥＡＲＣＨＯＮＫＥＹＴＥＣＨＮＯＬＯＧ圧ＳＯＦＣＬＵＳＴＥ

2、ＲＩＮＧＢ乂ＳＥＤＯＮＤＥＥＰＬＥＡＲＮＩＮＧＧｒａｄｅ：２０１３Ｃａｎｄｉｄａｔｅ：ＹａｎｇＱｉＡｃａｄｅｍｉｃＤｅｇｒｅｅＡｐｐｌｉｅｄｆｏｒ：ＭａｓｔｅｒＤｅｇｒｅｅＳｅｃｉａｌｉｔ：Ｃｏｍ山ｅｒＳｃｉｅｎｃｅｐｙｐＳｕｅｒｖｉｓｏｒ；ＷａｎＨｏｎｕｎｐｇｇｊＭａ．２２０１６ｙ，西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留，、使用学位论文的规定同意学校保留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授

3、权西南交通大学可（ｉＵ各本论文的全部或部分内容编入有关数据库进行检索，可采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于１．保密□，在年解密后适用本授权书：２．不保密ｃ／，使用本授权书。＂＂（请在上方框内打Ｖ）学位论文作者签名：指导老师签名：＾＾＾曰期：曰期：的备仿？西南交通大学硕±学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下：１本文提出了基于深度学习的聚类算法模型，将深度学习和聚类技术结合起来。（）首先用深层神经网络结构对原始数据进行特征学习，然

4、后对学习到的特征表示进行预聚类，最后在微调模块中进行特征的优化和聚类的优化。这种模型能够一学习到大规模数据中隐含的深层特征，并根据聚类要求进行进步优化，在保持原始数据的结构的同时发掘数据簇结构。在微调部分作者新设计了目标函一数，使得微调完全成为个优化的问题。一２本文提出了种新的聚类算法（ＤＢＮＯＣ）。在之前提出的模型的基础上，选取（）了ＤＢＮ和ＦＣＭ算法实现该模型，。该算法既有ＤＢＮ的特征学习优势又具有ＦＣＭ的牧敛快的特性，具有适合大规模数据学习的优势。由于在微调部分的目标函数对参数偏导数很难计算，

5、于是采用了ＢＰ反向传播法进行偏导数的求解。本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中己经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均己在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名；芬祇曰期．：？）叫西南交通大学硕±研究生学位论文第Ｉ页摘要２００６一自从年レッ来深度学习己经成为人工智能和机器学习领域的大热点。并且在一无监督特征学习领

6、域展现出了巨大的潜力。深度学习是系列深度学习算法的统称，其利用深度结构来学习数据中存在的深层模式和隐含特征。一一聚类技术是机器学习和数据挖掘领域的大研究热点，种无监督学习方法是。，自主地学习原始数据中的隐含簇结构聚类是在不需要先验知识的情况下。一本论文提出种基于深度学习的聚类模型，并利用深度信念网（ＤＢＮ）和Ｆｕｚｚｙ一Ｃ－ｍｅａｎｓＦＣＭ实现种聚类算法（）。该模型分成两个部分：预训练部分和微调部分。预训练部分由深层结构和预聚类层组成。首先预训练部分为：使用多层限制性玻尔兹曼机进行网络预训练，Ｗ此得到深

7、层结构预训练的深层特征表示，然后通过预聚类层一使用种简单的聚类算法对预训练得到的深层特征表示进行预聚类，并得到初步的聚、类中屯和类标签。接下来是微调部分，微调部分为：使用展开后的微调网络对预训练部分已经学习到的网络参数进行微调，同时进行聚类优化学习。微调部分的结构是将预训练深层结构展开并加上聚类层。微调部分采用交叉迭代的方法对目标公式进行优化，使得聚类结果和特征学习能够同时达到最优的效果。该模型充分利用了深度学习和聚类技术的无监督学习的共性，将深度学习的优势和聚类相结合，使得聚类效果更好和对高维数据聚类时

8、更加便捷，。在该模型的基础上本文又采用深度信念网和ＦＣＭ一ＤＢＮＯＣ一算法实现种聚类算法（）。该算法既有深度信念网的优点，同时又是种软聚类方法。该算法在微调优化的过程中主要采用了ＢＰ反向传播的方法。最后，通过在高维度数据