作业C：voronoi图在聚类分析中的应用调研重点.docxVIP

研 究 生 课 程 论 文 (2015-2016学年第二学期) 计算几何 研究生：王志强 提交日期： 4/8/2017 研究生签名： 学 号 201510105289 学 院 计算机科学与工程 课程编号 B0001009 课程名称 计算几何 学位类别 博士 任课教师 李桂清 教师评语： 成绩评定： 分 任课教师签名： 年 月 日 说 明 1、课程论文要有题目、作者姓名、摘要、关键词、正文及参考文献。论文题目由研究生结合课程所学内容选定；摘要500字以下，博士生课程论文要求有英文摘要；关键词3～5个；参考文献不少于10篇，并应有一定的外文文献。 2、论文要求自己动手撰写，如发现论文是从网上下载的，或者是抄袭剽窃别人文章的，按作弊处理，本门课程考核成绩计0分。 3、课程论文用A4纸双面打印。字体全部用宋体简体，题目要求用小二号字加粗，标题行要求用小四号字加粗，正文内容要求用小四号字；经学院同意，课程论文可以用英文撰写，字体全部用Times New Roman，题目要求用18号字加粗；标题行要求用14号字加粗，正文内容要求用12号字；行距为2倍行距（方便教师批注）；页边距左为3cm、右为2cm、上为2.5cm、下为2.5cm；其它格式请参照学位论文要求。 4、学位类别按博士、硕士、工程硕士、MBA、MPA等填写。 5、篇幅、内容等由任课教师提出具体要求。 Voronoi图在聚类分析中的应用进展综述 王志强 摘要：Voronoi图是本学期计算几何课程着重教研的内容之一，有着诸多形式化特性的Voronoi图经数学演绎可广泛应用于生产实践的各个邻域。基于原型的聚类算法主要依数据点的近邻特性进行相似性度量，应用Voronoi图进行聚类分析的相关文献中也主要是利用了Voronoi图的近邻特性。本文先概述Voronoi图和聚类分析的基本概念和相关特性，再介绍通过Voronoi图聚类的一般方法，最后逐一介绍最新的相关文献中的创新点。 关键词：Voronoi图；聚类分析；k-means聚类 1. 简介 本节内容简要介绍回顾了Voronoi图和聚类算法的基本概念和性质。首先，简明地复述了Voronoi图的概念，并给出了具体的Voronoi图例加深读者对Voronoi图的直观印象。其次，简要地归纳了Voronoi图的部分性质，着重讨论了对聚类过程起关键作用的近邻特性。随后，介绍了聚类的基本概念和常见的聚类思想方法框架。最后探讨了聚类分析进行相似性（连通性）度量时有赖于“距离”或“最近邻”，而Voronoi图的最近邻特性是其得以在聚类过程中应用的主要原因。 1.1 Voronoi图简介 Voronoi图是计算几何邻域首先提出并研究的内容：假设有一平面，其中有n个离散点，按最邻近原则将平面分成几个区域，每个点与它的最近邻区域相关联。图1所示的是一个Voronoi图，便于直观地给出Voronoi图的相关概念。其中黑色的点称为基点，基点所处的区域称为Voronoi单元。我们可以发现， 图1： Voronoi图，选自教材第186页[1] 任一单元中的平面点距离其所在的区域的基点的距离最近。 一般地，Vonoroi图的特性可规纳如下[2]： (1) 最近邻近特性。在 Voronoi图中，若两个 Voronoi单元间不存在其它单元，那么它们的Voronoi单元必存在一条公共边。除公共边外，Voronoi图中的不同的Voronoi多边形铺满了整个二维平面。这种空间结构隐含地表达了空间目标之间的全部邻近信息，由这一特性可方便地求解最近目标对和最邻近目标问题。 (2) 点集凸多边形外壳由三角网的外边界构成了 (3) 不存在任何点位于三角形的外接圆内部，反之，如果一个三角网满足此条件，那么它就是Delaunay三角网 (4) 若将三角网中的所有三角形的最小角升序排序，那么Delaunay三角网的排列所得的数值最大，可以看出，Delaunay三角网是“最接近于规则化的”的三角网 1.2 聚类算法简介 聚类分析是模式识别、数据挖掘等领域的重要研究内容之一，也是通过无监督学习发现数据内在结构的主要方法之一。聚类广泛应用于语音识别、字符识别、图像分割与机器视觉、数据压缩与信息检索，对心理学、生物学、考古学、地质学等研究也起着重要作用。然而，聚类至今未形成一个学术界公认的定义，一般认为聚类是在没有类标签帮助下，通过对数据的内在特性的分析，将相似的数据样本点归为一类的过程。数十年来，经典聚类算法层出不穷，2014年Science杂志上也刊载了一篇基于快速寻找密度峰值的聚类算法[3]，但从聚类的思想和方法上可归为如下几种类别： (1) 划分方法(parti