|
图，所以case3 和case5 的实验结果完全相同。 405 4.3 实验结果分析及结论 不管是人工构造的例子，还是规整化后的Iris 数据集，都验证了算法1 与算法2 的实验 结果是相同的。算法3 与算法2 的最终实验结果，在某些情形下是相同的，在某些情形下又 是不同的。 在case 1 和case 3 下，算法3 的归一化后的迭代矩阵是一个随机矩阵，这就保证了全局 410 有向关联势向量I 的1 阶范数值在迭代过程中保持不变。即：‖I‖1 = 1 对每一次迭代都成 立。而算法2 是在每一次迭代后，对全局有向关联势向量I 进行归一化，这也同样保证了每 一次迭代后，都有‖I‖1 = 1。由于算法2 和算法3 的迭代方法有所不同，虽然它们的最终 的实验结果相近，而它们在迭代过程中的中间结果差别较大，这也是合乎理论分析的。人工 构造的例子的仿真结果也验证了这一点。 415 5 结论 为有效地地探测出那些聚类区域的形状及大小不太规整的数据点集的聚类分布结构，本 文提出了一种可适用于混合属性数据点集的基于半监督学习的k 平均聚类框架。仿真实验结 果表明，相比较k-means，对有些数据集来说该方法是有改进效果的。 将本文提出的半监督学习框架及多个归属度计算公式进行进一步的改进及理论挖掘，并 420 与更多经典的聚类算法在算法速度及聚类精度方面对更多的数据集进行更多的比较是下一 步的工作。 学术论文网Tag：代写论文 代写代发论文 论文发表 代发论文 |
