2013届毕设开题报告-基于混合约束半监督聚类算法研究.docVIP

毕业设计(论文)开题报告 学生姓名： 罗崇珺 学 号： 0909290204 专 业： 信息与计算科学 设计(论文)题目： 基于混合约束的半监督 聚类算法的研究 指导教师： 郭新辰  开题报告填写要求 1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在系审查后生效； 2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见； 3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于10篇（不包括辞典、手册）； 4．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2002年4月26日”或“2002-04-26”。  毕 业 设 计（论 文）开 题 报 告 1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写 2000字左右的文献综述： 文 献 综 述 1）基于混合约束的半监督聚类算法的研究背景和意义 半监督聚类是近几年来机器学习研究的一个热门课题，现有的半监督聚类算法很多是在传统聚类算法的基础上引入监督信息发展而来的，代表算法是基于经典K-means算法的各种半监督K-means算法．例如，Wagstaff K 等人提出将must-link和cannot-link成对约束引用到半监督聚类算法中；Basu等人在K-means算法的基础上提出了少量已标签数据的seeded-K-means和constrained-K-means算法．也有一些文献将隐马尔可夫模型、SVM算法、Bayes算法和遗传算法等引入到半监督聚类学习当中来．半监督聚类的优越性主要在于针对无标签样本进行聚类时，可以利用少量有监督的样本信息．因此，如何在聚类算法中更好地利用有标签样本所包含的领域知识指导聚类过程，是进一步提高聚类质量的关键问题之一．目前，半监督学习的研究主要包括半监督分类、半监督聚类和半监督回归．而半监督聚类是当今研究的热点．现有的半监督聚类算法很多事在传统聚类算法基础上引入监督信息发展而来的，代表算法是基于经典K-means算法的各种半监督K-means算法．半监督聚类，它综合了无监督学习和有监督学习的特点，提高聚类的质量．半监督聚类是基于少量先验信息的，先验信息可以使标点号信息和成对点约束信息，通常认为标点号信息和成对点约束信息是不等价的，前者可以转换成后者，反之则不能．因此现有的半监督聚类算法大多是基于成对点约束信息的．但是，现实数据中往往两类先验信息同时存在，简单地将标点信息转换为成对点约束信息会使标点信息的意义减弱，例如：医生为病人诊治时，“确诊一个病人”和“认定两个病人有同一种病却不知道是什么病”提供的信息是大不相同的，因此本课题的研究如何在半监督聚类算法中同时潜入标点号信息和成对点约束信息，以更加有效地确定数据集的内部结构，具有更好的聚类结果和更快的速度． 2) 基于混合约束的半监督聚类算法研究现状 聚类是人类一项基本的、最重要的认识活动，在许多领域中被广泛地应用．半监督学习是今年来在机器领域新发展的一种学习方法，国外半监督聚类的研究开始得比较早，已经取得了一定的成果．Janne Sinkkonen和Samul Kaski等人在2000年及以后提出了相关的算法研究，并初步应用在基因分析、文本内容挖掘等领域，取得了很大的进步，相对来说研究工作还比较少． 聚类分析试图将一组未标签样本按照一定的相似度准则分到几个类中去，使得在同一类中的样本有着较大的相似度，不同类间的样本的相似度较小，聚类分析作为一种非监督学习，是机器学习领域中一个重要的研究方向，同时也是数据挖掘中进行数据处理的重要分析工具和方法。国内外有部分学者正在研究半监督聚类算法及其应用，相对来说研究工作还比较少． 在提出一种用于求解混合约束问题的方法上，目前在求解混合约束中的数值约束时是不完全的，即它不能够明确地告诉用户所求解的约束问题是否有解．鉴于此，目前半监督聚类中常见的先验知识表现为反映样本间相似关系的约束条件文献对约束条件的定义，即两个样本属于同一类为Must-Link，不属于同一类的则为Cannot-Link．有约束的半监督聚类是一种结合用户指定或面对应用的约束进行半监督聚类的方法，依