一种面向混合属性数据流的半监督加权聚类方法研究

论文研究-一种面向混合属性数据流的半监督加权聚类方法 本文提出了一种面向混合属性数据流的半监督加权聚类方法，旨在解决无限的混合属性数据流在有限内存空间里的加权聚类分析问题。该方法基于小样本决策树分类器，提出了一种加权聚类及演化分析框架。该框架包括混合属性数据流的聚类特征向量组定义、面向混合属性数据流的特征权重优化方法和半监督加权聚类分析。 本文的主要贡献在于： 1. 提出了混合属性数据流的聚类特征向量组定义，解决了混合属性数据流在有限内存空间里的聚类分析问题。 2. 提出了面向混合属性数据流的特征权重优化方法，解决了特征权重的更新问题。 3. 提出了半监督加权聚类分析方法，解决了无类别标号海量数据集的分类和聚类问题。 本文的方法可以应用于数据挖掘、机器学习和 Pattern Recognition 等领域，具有重要的理论和实际意义。 知识点： 1. 半监督学习：半监督学习是机器学习中的一个重要分支，它的兴起是有其实际应用背景及广泛需求的。半监督学习可以解决实际课题中大量存在的无类别标号海量数据集的分类和聚类问题。 2. 加权聚类分析：加权聚类分析是解决混合属性数据流在有限内存空间里的加权聚类分析问题的重要方法。加权聚类分析可以考虑到各维对聚类的形成具有不同的重要性。 3. 混合属性数据流：混合属性数据流是指具有多种不同的属性类型的数据流，例如有序属性、无序类别属性等。混合属性数据流的聚类分析是解决实际问题的重要方法。 4. 特征权重优化：特征权重优化是解决特征权重的更新问题的重要方法。特征权重优化可以提高聚类分析的准确性和效率。 5. 投影聚类：投影聚类是一种聚类方法，它可以考虑到特征在聚类分析中起不同大小的作用。投影聚类可以应用于高维数据流的聚类分析。 6. 子空间聚类：子空间聚类是一种聚类方法，它可以考虑到特征在聚类分析中起不同大小的作用。子空间聚类可以应用于高维数据流的聚类分析。 7. 小样本决策树分类器：小样本决策树分类器是一种机器学习算法，它可以用来解决加权聚类分析问题。小样本决策树分类器可以应用于混合属性数据流的聚类分析。 8. WKMeans 算法：WKMeans 算法是一种加权聚类算法，它可以考虑到各维对聚类的形成具有不同的重要性。WKMeans 算法可以应用于混合属性数据流的聚类分析。 9. FCM 聚类算法：FCM 聚类算法是一种加权聚类算法，它可以考虑到各维对聚类的形成具有不同的重要性。FCM 聚类算法可以应用于混合属性数据流的聚类分析。 10. CF-WFCM 算法：CF-WFCM 算法是一种加权聚类算法，它可以考虑到各维对聚类的形成具有不同的重要性。CF-WFCM 算法可以应用于混合属性数据流的聚类分析。