[发明专利]一种基于半监督聚类的cop-kmeans方法与系统

说明书

本发明公布了一种基于半监督聚类的cop‑kmeans方法与系统，涉及kmeans算法和基于半监督聚类的cop‑kmeans算法，有效的利用先验知识来提高半监督聚类算法的性能。本发明选择引入成对约束，利用数据对象之间的约束规则对数据对象进行分配，提高聚类的质量，属于人工智能及图像分类领域。本发明主要包括如下内容：步骤1：数据预处理；步骤2：定义距离函数；步骤3：按照最小距离原则聚类；步骤4：评价或输出，确定最终聚类成果。本方法成功的将带有背景知识的先验条件应用于聚类中。

技术领域

本发明公布了一种基于半监督聚类的cop-kmeans方法与系统，涉及kmeans 算法和基于半监督聚类的cop-kmeans算法，能够对分散的数据集添加约束，进行分类，和普通kmeans算法有所区别，以显示约束效果，属于人工智能及图像分类领域。

背景技术

随着信息技术的迅猛发展，人们无时无刻都在与外界进行数据交流，“大数据”时代来临，如何将这些海量的数据转化为有用的信息，依旧是一个需要解决的问题。数据挖掘是从海量数据中挖掘出有价值的信息知识，提取隐含在其中潜在的有用的信息。数据挖掘起源于多种学科，包括数据库、可视化、机器学习、人工智能、商业智能、数理统计等。

聚类分析，作为数据挖掘中最普遍且常用的技术，成为了研究的重要方向。聚类，就是将已有的数据对象进行分类，让每一类内部之间的相似度尽可能的大，每一类外部之间的相似度尽可能的小。一般情况下，在对数据进行划分的过程中，只靠信息之间简单的相似性作为准则，没有任何背景知识和相应的假设，不需要定义类别和性质，按照自然属性进行分类，由此，聚类分析被认为是一种无监督分析方法。聚类在许多领域中都得到应用，如：生物学，统计学，神经网络，信息检索，图像处理和数据挖掘。聚类算法一般分为五类，分别是划分方法，层次方法，基于密度的方法，基于网格的方法和基于模型的方法。其中最经典的 kmeans算法就是基于划分的聚类方法。

然而在现实生活应用中，人们对数据对象的相关领域或多或少都会有相关的背景知识，那么如何利用这些领域知识来提高聚类分析的质量，是半监督聚类分析的重要研究内容。半监督学习，可以分成半监督分类和半监督聚类，前者用未标记类标签数据辅助监督，后者用部分已标签的数据辅助非监督的学习。传统的 kmeans聚类算法是一种无监督学习方法，它按照基础优化准则对数据进行分类，通过最自然的相关性，没有考虑用户真实世界提供的任何知识。半监督聚类相比传统的无监督聚类，它利用标签或成对约束等先验知识指导聚类过程来提高聚类性能。关于半监督聚类较早的研究有S.Basu等提出的基于种子的半监督聚类算法，对等约束半监督聚类，基于搜索和相似度的半监督聚类方法。

本发明研究的重要问题，就是更有效的利用这些信息来提高半监督聚类算法的性能。本发明选择引入成对约束，利用数据对象之间的约束规则对数据对象进行分配，提高聚类的质量。用有效的方式来整合地面信息聚类算法。Kmeans算法是聚类里另一种流行的聚类算法，用于各种应用领域，如图像分割和信息信息检索。由于其广泛使用，我们认为可以开发一个可以利用背景知识的修改版本。可以对聚类算法有重要的应用。

发明内容

本发明的目的在于将现实当中可能出现的先验知识应用到聚类当中，加入约束提高半监督聚类的性能。

为实现上述目的，本发明包括如下步骤：

步骤1:数据预处理；

步骤2：定义距离函数；

步骤3：按照最小距离原则聚类；

(3.1)kmeans算法

(3.2)Cop-kmeans算法

步骤4：评价或输出，确定最终聚类成果。

(4.1)传统kmeans算法实验结果

(4.2)基于半监督聚类的cop-kmeans方法实验结果