聚类算法中的优化方法

第1章 绪论第一节 引言第二节 本书的研究背景与意义第三节 本书的研究思路与研究主线一、本书的研究思路二、本书的研究主线第四节 与本课题相关的国内外研究进展第五节 本书相关的技术与方法一、数据挖掘二、最优化理论和方法三、特征选择和特征加权四、聚类分析五、分类第六节 本书的主要内容第2章 尽中心点算法的优化研究第一节 引言第二节 肛中心点轮换法一、肛means聚类算法和肛中心点聚类算法二、“中心点轮换法三、仿真实验四、聚类数目的合适性讨论第三节 基于近似类抽样的组合聚类方法一、几个基本概念的引入二、基于近似类抽样的组合聚类算法三、仿真实验本章小结第3章 Rosenbrock搜索法在聚类分析中的研究第一节 引言第二节 Rosenbrock搜索法在聚类分析中的应用一、聚类问题的描述二、聚类中心点集的尼步优化搜索策略三、Rosenbrock搜索“代表点聚类算法四、优化搜索方法的讨论第三节 仿真实验本章小结第4章 特征权重的自适应优化方法研究第一节 引言第二节 特征权重的自适应优化一、特征权重的自适应优化问题描述二、几个优化目标函数三、优化特征权重的带约束的最小化目标函数四、优化特征权重的带约束的混合目标函数五、仿真实验六、优化参数五第三节 基于核映射的属性权重的自适应优化一、属性权重的自适应优化配置二、基于核映射的优化属性权重的混合目标函数三、仿真实验四、优化参数第四节 特征权重的评估本章小结第5章 特征加权的模糊c聚类算法研究第一节 引言第二节 模糊C均值聚类算法与特征权重优化相结合的研究一、特征杈重组的自适应优化配置问题描述二．means聚类算法与特征杈重优化相结合的研究三、FCM聚类算法与特征权重优化相结合的研究四、模糊c均值聚类算法与特征权重优化相结合的扩展研究五、仿真实验第三节 基于核映射的加权模糊C聚类算法一、基于核映射的加权模糊C聚类算法二、基于核映射的加权：FCM聚类算法的扩展研究第四节 基于混合目标函数的加权模糊C聚类算法一、FCM聚类算法与特征权重优化相结合的研究二、基于混合目标函数的加权模糊c聚类算法描述三、基于混合目标函数的加权模糊C聚类算法的扩展研究四、仿真实验五、特征加权的聚类算法小结第五节 WKMeans聚类算法的实验结果及分析一、二个标准数据集的实验结果二、实验结果比较与分析三、特征权重的评估本章小结第6章 基于决策树划分的特征权重优化研究第一节 引言第二节 基于决策树划分的特征权重优化一、问题描述二、基于决策树划分的特征权重优化方法三、混合属性数据点集的特征权重优化策略第三节 混合属性数据点集的特征权重优化一、混合属性数据点集的距离定义二、有序属性子集的特征权重优化三、无序类别属性子集的特征权重优化四、距离权重系数y的优化第四节 几个目标函数的优化策略一、投影梯度法二．￡氏极值法第五节 基于决策树划分的特征权重优化算法一、算法描述二、类别可分性判据的推广定义三、基于决策树划分的特征权重优化算法的迭代停止准则四、优化特征权重的其他几个目标函数第六节 仿真实验一、仿真实验设计二、仿真实验结果三、实验结果比较与分析本章小结结束语参考文献

数据挖掘是从统计学、机器学习、最优化方法等学科中发展起来的一门新兴交叉学科，目前已被广泛应用到电子商务、医学、科学研究以及工程技术等领域中，它具有重要的理论与应用价值。　　当前，海量数据和混合属性数据集的数据挖掘应用越来越多，面对如此复杂的数据挖掘类型，现有的许多数据挖掘算法力不从心。如何充分利用优化方法来提高数据挖掘算法的效率，改善挖掘的结果，是众多研究者关心的热点。　　《聚类算法中的优化方法应用》将优化方法充分应用到聚类分析领域，从多个角度研究将特征权重优化嵌入到混合属性数据集的聚类算法中，以期优化后的特征权重能有助于构造出更简洁、更精确的分类器。　　《聚类算法中的优化方法应用》可作为聚类分析领域研究生的教学和科研参考书，也可成为智能数据分析与处理技术人员的自学研究参考书。　　数据挖掘是从统计学、机器学习、最优化方法等学科中发展起来的一门新兴交叉学科，目前已被广泛应用到电子商务、医学、科学研究以及工程技术等领域中，它具有重要的理论与应用价值。当前，海量数据和混合属性数据集的数据挖掘应用越来越多，面对如此复杂的数据挖掘类型，现有的许多数据挖掘算法力不从心。如何充分利用优化方法来提高数据挖掘算法的效率，改善挖掘的结果，是众多研究者关心的热点。