基于深度学习的用电负荷模式识别.docxVIP

3.2 聚类及聚类融合基本原理3.2.2 聚类融合简述有聚类分析简述可知，当今已有大批量各种各样的聚类分析算法，其适用的数据形态、应用领域、数据分布假设均不尽相同。当需要运用聚类算法进行分析时，时常会遇到由于对给定的数据集没有任何的先验信息，对同一数据集使用不同的聚类分析算法将得到不同的聚类分簇结果，而且，单一的聚类分析算法稳定性较低，当数据集增添或减少样本时聚类分簇结果会发生显著变化。并且，在没有先验信息的情况下，分析者仅能更加不断地分析聚类分簇结果，进而调整参数或采用其他聚类算法，最终找到合乎分析者期望的聚类分簇结果。而现实中，聚类分析算法犹如浩瀚星海，从中找到最好的聚类分析算法简直是大海捞针，往往会出现找到几个差强人意的聚类分簇结果，但是仍未找到最近的分簇结果。聚类融合算法的思想是将各个聚类算法进行融合，即将多个差强人意的聚类分簇结果进行融合，以达到更优异的聚类分簇结果。聚类融合不仅是聚类技术研究的热点之一，也是集成学习日后主要的发展方向。集成学习首先应用于分类分析方法。当已训练的分类器的误判是相互独立时，利用投票方法能够明显降低分类的误判。经典的集成学习方法有Bootstrap Aggregating、Adaptive Boosting、Adaptively resample and combine三种。集成学习从统计学习、计算能力及表达能力三方面说明集成学习的效果能好于任