基于分解的多目标进化聚类算法分析-analysis of multi-objective evolutionary clustering algorithm based on decomposition.docxVIP

摘要数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。在数据挖掘的各种主要方法中，聚类是其中之一，并且越来越多的引起人们的关注。至今，研究学者们提出了大量不同的聚类算法。但是这些算法几乎都是特定的决策者针对特定问题提出的，比较普适且应用广泛的聚类算法并不多见。因此，聚类算法在理论和方法上都有待完善。随着互联网的发展，数据规模不断增大。而先验知识却相对缺乏，使得如何解释那些大规模、高维度、不平衡的数据成为一个难题。本论文在多目标进化计算的框架下，利用最优化的思想解决聚类问题。提出了基于分解的多目标进化聚类算法，并将提出的算法应用于人工数据和UCI数据聚类、纹理图像以及SAR图像分割。本文主要工作如下：(1)在基于分解的多目标进化算法的基础上，提出了基于分解的多目标进化半监督聚类算法。该算法相比于传统的多目标进化聚类算法，将多目标聚类问题转化成一系列带权重的子问题来处理。降低了算法的时间复杂度。将提出的算法应用到特殊人工数据集和UCI数据集上，相比于其他对比算法，提出的算法都表现出了良好的性能。(2)提出了基于分解的多目标进化聚类算法的图像分割方法。该方法将基于分解的多目标进化半监督聚类算法进行改进应用于图像分割。在六幅合成纹理图像和三幅SAR图像上的对比实验结果表明，该方法取得了良好的分割效果。(3)提出了一种融合非局部去噪的多目标进化SAR图像分割算法。该算法在预处理阶段直接对原始图像进行非局部去噪，然后用非局部统计量表征原始图像进行分水岭初分割。在六幅多类SAR上进行测试，对比实验结果表明该方法取得了良好的分割效果。本文得到如下基金资助：国家自然科学基金61001202；中国博士后科学基金特别资助：200801426；中国博士后科学基金：20080431228以及中央高校基本科研业务费专项资金资助：JY10000902040。关键词：数据挖掘分解方法多目标进化聚类图像分割AbstractDataminingisasimpleprocessfromwhichwecangethidden,unknownbutusefulinformationandknowledgefromalotofincomplete,noisy,fuzzyandrandomdata.Asoneofthemainstreamtechniquesfordatamining,clusteringarousesmoreandmoreattention.Alargenumberofclusteringalgorithmshavebeenproposedsofar,buttheyaredesignedonlyforspecialproblemsanduserswithimperfectiontheoriesandmethods.Withthedevelopmentoftheinternet,thedatascaleincreasing.Butinsufficientofpriorknowledge,makesthathowtointerpretthosedata,whicharelargescale,highdimensionandunbalanced,becomeadifficultproblem.Thepaperbasedontheframeworkofmultiobjectiveevolutionary,usingoptimizedmethodtosolveclusteringproblem.AnoptimizationmethodnamedMultiobjectiveEvolutionaryClusteringAlgorithmwithdecompositionisproposed.Thealgorithmissuccessfullyusedtoartificialdataclustering,UCIdataclustering,textureimagesegmentationandSARimagesegmentation.Themaincontributioncanbelistedasfollows:Basedontheframeworkofmultiobjectiveevolutionary,asemi-supervisedmulti-objectiveclusteringalgorithmbasedonMOEA/Disproposed.Comparedwiththetraditionalmulti-objectiveevolutionaryclusteringalgorithm,theproposedmethoddecomposedamulti-objectiveclusteringproblem