模糊聚类集成研究

【摘要】：集成学习在最近几年已经成为数据挖掘和机器学习的研究热点。作为集成学习中的重要一部分,聚类集成也已经在各个领域获得了广泛的应用。在癌症发现领域,使用聚类分析方法处理基因表达数据已经成为一个非常重要的研究话题,这种研究对于癌症的正确诊断和随后的相关治疗也有相当重要的意义。现阶段,已经出现了许许多多关于癌症基因的聚类方法,然而大部分的研究工作都是采用了单一的聚类算法对生物分子数据进行聚类,这些方法缺乏强壮性,稳定性和准确性,更加没有考虑到结合模糊理论知识,在聚类分析中通过结合模糊优化步骤的聚类集成框架去获得更好的聚类结果。根据现有的聚类集成算法的一些不足,本论文分别提出了两种不同的改进的方法。第一,基于模糊理论提出了四种不同的混合模糊聚类集成的框架(HFCEF)结合物理上的串联和并联的方式进行链接,并在样本的归属上使用了模糊成员函数,最后通过划分模糊矩阵获得最终的聚类结果。第二,引进基于模糊聚类的随机双聚类集成框架(RDCFCE),该架构加入了我们新提出的模糊扩张模式(FEM),更进一步,我们提出了自适应的RDCFCE(A-RDCFCE),通过采用一种自进化的处理过程(SEEP)对参数集进行处理,从而继续改进RDCFCE的聚类结果。为了验证我们提出的新算法的聚类效果,本论文的实验部分使用了UCI机器学习数据库中的数据集和生物分子数据集,对我们提出的两种方法进行测试。从实验的结果我们可以获得下面两点结论:(1)我们提出的两种模糊聚类集成算法不但对UCI数据集有很好的效果,在应用于生物分子数据集时效果也非常好;(2)对比现阶段已有的大部分单一聚类算法和传统的聚类集成算法,我们提出的新方法更具强壮性,稳定性和准确性。