支持向量机与K-均值聚类融会算法研究.pdfVIP

摘 要 内容摘要：本文在介绍了支持向量机和K一均值聚类算法的基本理论 的基础上，对支持向量机和K．均值聚类算法的融合算法进行了研 究，详细介绍了改进算法的理论知识，并通过实验验证了算法的有 效性。 支持向量机是在统计学习理论基础上发展出来的一种新的、非 常有效的机器学习方法，它集优化、核、最佳推广能力等特点于一 身，较好地解决了以往困扰很多学习方法的小样本、非线性、过学 习、高维数、局部极小点等实际问题。尽管支持向量机有着其它机 器学习方法无法比拟的优势，但也有其自身局限性。针对其对噪声 和野点敏感的问题，我们提出了基于模糊隶属度的支持向量机去噪 方法，在线性规划下的一类分类支持向量机中引入模糊隶属度，剔 除样本中的噪声和野点，并在多种数据集上验证了算法的有效性。 K一均值算法是解决聚类问题的一种简洁、快速的经典算法。如 果样本是密集的，并且类与类之间是线性可分的，它的效果最好： 但是如果类与类之间是线性不可分的，它的聚类效果就很不理想。 针对这个问题，我们提出了基于支持向量机的K一均值聚类算法， 将一类分类支持向量机引入K一均值聚类算法之中。文中在人工数 据集(DeltaSet)和UCI数据集(IrisData)上分别进行了实验，实验证 明，