# 臺灣博碩士論文加值系統

(18.205.176.39) 您好！臺灣時間：2022/05/28 14:56

:::

### 詳目顯示

:

• 被引用:1
• 點閱:329
• 評分:
• 下載:5
• 書目收藏:0
 過去，研究發現叢集整合技術（Cluster Ensemble）能有效提高叢集演算法的穩健性和穩定性。本文透過實驗比較個別叢集演算法與叢集整合演算法之叢集結果。本文使用K-means與 Fuzzy C-means兩種個別叢集演算法以及使用證據累積（Evidence Accumulation, EA）作為叢集整合的方法。經過不同資料集的實驗測試後，發現屬性個數較多之資料集宜採用叢集整合演算法，屬性個數較少之資料集則宜直接執行個別叢集演算法許多次後取最佳的結果。
 Recent studies have shown that cluster ensemble improves the robustness and stability of individual clustering algorithms. This paper compares the clustering results of individual clustering algorithms and of cluster ensemble algorithm. K-means and Fuzzy C-means are used as individual clustering algorithms, and their results are combined using evidence accumulation for cluster ensemble algorithm. Our experimental results with several datasets show that, for datasets with many features, cluster ensemble algorithms are more suitable than individual clustering algorithms, but for datasets with few features, individual clustering algorithms are better.
 書名頁 i論文口試委員審定書 ii授權書 iii中文摘要 iv英文摘要 v誌謝 vi目錄 vii表目錄 ix圖目錄 x第一章 緒論 11.1 研究背景 11.2 研究目的 21.3 論文架構 2第二章 文獻探討 32.1 K-means 32.2 Fuzzy C-means 42.3 叢集整合技術 5第三章 研究方法 93.1 叢集整合演算法 93.1.1 個別叢集演算法 93.1.2 Co-association matrix 103.1.3從Co-association matrix得到最終叢集結果 163.2 個別叢集演算法與叢集整合演算法之方法比較架構 18第四章 實驗與討論 214.1 實驗資料集 214.2 實驗結果 21第五章 結論與未來展望 28參考文獻 29
 [1] Jain, A. K. and Dubes, R. C. (1988). Algorithms for Clustering Data. Prentice Hall.[2] Jain, A. K., Murty, M. N. and Flynn, P. J. (1999), Data clustering:A review, ACM Computing Surveys, 31(3), pp. 264-323.[3] Fred, A. L. N. (2001), Finding Consistent Clusters in Data Partitions, Lecture Notes in Computer Science, 2096, pp. 309-318.[4] Strehl, A. and Ghosh, J. (2003), Cluster Ensembles:A Knowledge Reuse Framework for Combining Multiple Partitions, Journal of Machine Learning Research, 3, pp. 583-617.[5] MacQueen, J. B. （1967）, Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1, pp. 281-297.[6] Dunn, J. C. (1973), A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-separated Clusters, Journal of Cybernetics, 3 (3), pp. 32-57.[7] Bezdek, J. C. （1981）, Pattern Recognition with Fuzzy Objective Function Algoritms, Plenum Press, New York.[8] Minaei-Bidgoli, B., Topchy, A. and Punch, W. F. (2004), A Comparison of Resampling Methods for Clustering Ensembles, Intl. Conf. on Machine Learning, Models; Technologies and Applications, pp. 939-945.[9] Fred, A. L. N. and Jain, A. K.(2005), Combining multiple clusterings using evidence accumulation, IEEE Trans. Pattern Analysis Machine Intelligence, 27, pp. 835-850.[10] Avogadri, R. and Valentini, G. (2008), Ensemble Clustering with a Fuzzy Approach, Studies in Computational Intelligence, 126, pp. 49-69.[11] Fern, X. Z. and Brodley, C. E. (2003), Random projection for high dimensional clustering：A cluster ensemble approach, Proc. 20th Int''l Conf. Machine Learning.[12] Wang, T. (2009), Comparing hard and Fuzzy C-means for evidence-accumulation clustering, Fuzzy Systems. FUZZ-IEEE, pp. 468-473.[13] Fred, A. L. N. and Jain, A. K. (2002), Data clustering using evidence accumulation, in Proc. of the 16th Int’l Conference on Pattern Recognition, pp. 276-280.[14] Fred, A. L. N. and Jain, A. K. (2002), Evidence accumulation clustering based on the K-means algorithm, in Structural, Syntactic, and Statistical Pattern Recognition, 2396, pp. 442-451.[15] Asuncion, A. and Newman, D. J. (2010), UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science.[16] Domeniconi, C., Papadopoulos, D., Gunopulos, D. and Ma, S. （2004）, Subspace clustering of high dimensional data, SIAM International Conference on Data Mining.[17] Al-Razgan, M. and Domeniconi, C. （2006）, Weighted Clustering Ensembles, SIAM International Conference on Data Mining.[18] Domeniconi, C. and Al-Razgan, M. （2009）, Weighted Clustering Ensembles: Methods and analysis, ACM Transactions on Knowledge Discovery from Data, 2(4), pp. 1-40.
 電子全文
 國圖紙本論文
 推文當script無法執行時可按︰推文 網路書籤當script無法執行時可按︰網路書籤 推薦當script無法執行時可按︰推薦 評分當script無法執行時可按︰評分 引用網址當script無法執行時可按︰引用網址 轉寄當script無法執行時可按︰轉寄

 1 結合模糊理論與集群分析法於分群問題之研究 2 運用智慧型彩色影像辨識於鋼橋生鏽檢測 3 大數據分析聚類演算法在雲端之效能評估 4 改良 FCM分群與分級最佳化之研究 - 以民宿評鑑為例 5 一種新的分群方法 6 應用兩階段資料探勘技術於急性闌尾炎診斷之研究 7 以距離與餘弦夾角為基礎之創新群集方法研究 8 利用聚類法探討彩色圖像於頻域上之壓縮 9 整合模糊理論及資料探勘技術於工業電腦資料分析之研究 10 整合型信用評等決策支援之建構 11 探討乳房腫瘤偵測方法於IVIM-MRI影像之效能 12 利用大數據分析建構顧客產品推薦模式於生鮮超市 13 植基於壓縮碼與矩陣嵌入隱藏技術之研究 14 應用影像處理技術於喉內視鏡影片之腫瘤自動偵測系統開發與研究 15 應用修正後的群聚方法於解決訂單批次化問題

 無相關期刊

 1 社會支持對台灣弱勢青少年自我概念、生涯自我效能及主觀幸福感之影響 2 疲勞負載對胸椎皮質骨螺釘生物力學特性之影響 3 自感良好的小吉至子－李明倫膠彩創作論述 4 科技負載對心理疲勞之影響-以使用LINE的工作者為例 5 考量一元化代工下之半導體後段訂單規劃研究 6 多尺度熵鋸齒量化之馬達異常偵測 7 改良式帝國主義競爭演算法 8 米萊恩．夏皮洛之「女像」(Femmage)：裝飾的愉悅和政治性 9 國小五年級學童科學學習態度與性別角色態度之關係 10 使用遺傳演算法規劃FTTB網路L3交換器流量 11 從品質觀點，探討12吋晶圓之封裝製程變異及其衍生問題 12 擠製過程之潤滑實驗分析 13 寬頻與寬軸比的小型圓極化槽孔天線 14 應用於WLAN暨第五世代頻段之平面式天線設計 15 提升台灣休閒農業競爭優勢之研究-鑽石理論之運用

 簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室