第1章 绪论 1
第一节 引言 1
第二节 本书的研究背景与意义 1
第三节 本书的研究思路与研究主线 2
一、本书的研究思路 2
二、本书的研究主线 3
第四节 与本课题相关的国内外研究进展 4
第五节 本书相关的技术与方法 5
一、数据挖掘 5
二、最优化理论和方法 6
三、特征选择和特征加权 6
四、聚类分析 7
五、分类 8
第六节 本书的主要内容 10
第2章 K－中心点算法的优化研究 12
第一节 引言 12
第二节 K－中心点轮换法 12
一、K-means聚类算法和K－中心点聚类算法 12
二、K－中心点轮换法 13
三、仿真实验 15
四、聚类数目的合适性讨论 20
第三节 基于近似类抽样的组合聚类方法 21
一、几个基本概念的引入 21
二、基于近似类抽样的组合聚类算法 22
三、仿真实验 25
本章小结 26
第3章 Rosenbrock搜索法在聚类分析中的研究 27
第一节 引言 27
第二节 Rosenbrock搜索法在聚类分析中的应用 27
一、聚类问题的描述 27
二、聚类中心点集的k步优化搜索策略 27
三、Rosenbrock搜索K－代表点聚类算法 28
四、优化搜索方法的讨论 30
第三节 仿真实验 31
本章小结 33
第4章 特征权重的自适应优化方法研究 34
第一节 引言 34
第二节 特征权重的自适应优化 35
一、特征权重的自适应优化问题描述 35
二、几个优化目标函数 35
三、优化特征权重的带约束的最小化目标函数 36
四、优化特征权重的带约束的混合目标函数 38
五、仿真实验 45
六、优化参数λ 49
第三节 基于核映射的属性权重的自适应优化 50
一、属性权重的自适应优化配置 51
二、基于核映射的优化属性权重的混合目标函数 53
三、仿真实验 58
四、优化参数λ和σ 61
第四节 特征权重的评估 63
本章小结 64
第5章 特征加权的模糊C聚类算法研究 65
第一节 引言 65
第二节 模糊C均值聚类算法与特征权重优化相结合的研究 66
一、特征权重组的自适应优化配置问题描述 66
二、K-means聚类算法与特征权重优化相结合的研究 66
三、FCM聚类算法与特征权重优化相结合的研究 66
四、模糊C均值聚类算法与特征权重优化相结合的扩展研究 71
五、仿真实验 77
第三节 基于核映射的加权模糊C聚类算法 79
一、基于核映射的加权模糊C聚类算法 79
二、基于核映射的加权FCM聚类算法的扩展研究 83
第四节 基于混合目标函数的加权模糊C聚类算法 85
一、FCM聚类算法与特征权重优化相结合的研究 85
二、基于混合目标函数的加权模糊C聚类算法描述 90
三、基于混合目标函数的加权模糊C聚类算法的扩展研究 91
四、仿真实验 92
五、特征加权的聚类算法小结 95
第五节 WKMeans聚类算法的实验结果及分析 95
一、二个标准数据集的实验结果 95
二、实验结果比较与分析 97
三、特征权重的评估 97
本章小结 98
第6章 基于决策树划分的特征权重优化研究 99
第一节 引 言 99
第二节 基于决策树划分的特征权重优化 99
一、问题描述 99
二、基于决策树划分的特征权重优化方法 100
三、混合属性数据点集的特征权重优化策略 100
第三节 混合属性数据点集的特征权重优化 101
一、混合属性数据点集的距离定义 101
二、有序属性子集的特征权重优化 101
三、无序类别属性子集的特征权重优化 102
四、距离权重系数γ的优化 103
第四节 几个目标函数的优化策略 104
一、投影梯度法 105
二、L氏极值法 105
第五节 基于决策树划分的特征权重优化算法 107
一、算法描述 107
二、类别可分性判据的推广定义 107
三、基于决策树划分的特征权重优化算法的迭代停止准则 108
四、优化特征权重的其他几个目标函数 109
第六节 仿真实验 110
一、仿真实验设计 110
二、仿真实验结果 111
三、实验结果比较与分析 115
本章小结 115
结束语 116
参考文献 118