[发明专利]一种基于半监督聚类的cop-kmeans方法与系统

权利要求书

1.一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，主要包括：

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。

2.根据权利要求1所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤1中，其中数据预处理阶段，是由于若直接使用原始数据，里面部分不需要的数据会造成影响，给计算带来误差，所以要进行数据预处理。所以在分析之前，要对数据进行标准化。K-means算法的目标函数定义如下：

其中，u_j表示样本x_i所属的类C_j的中心点。J_K-means是数据样本到相应类中心距离的平方和，K-means算法的目标要求J_K-means越小越好。

3.根据权利要求1所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤2中需要定义一些分类的统计量，来度量分类对象之间互相相似的程度，从而定量进行分类。采用欧氏距离。

4.根据权利要求1所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤3.1中的kmeans算法。

5.根据权利要求1所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤3.2中的cop-kmeans算法。

在无监督聚类算法中，所有数据样本的类标签事先是未知的。当我们获知了少量样本的真实类标签时，原始数据集X可表示为：

上式中表示n_l个已知类标签的样本集合，表示n_u个未知类标签的样本集合。一般情况下n^l＜＜n^u，即已知类标签样本的数量要远小于未知类标签样本的数量。

6.根据权利要求1所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤4.1中，采用了人工数据集作为测试数据。数据集是通过高斯函数分布模型产生的人工数据集。随机生成3个点集，点到中心点距离服从高斯分布.测试数据集的相关描述如说明书表1所示。实验环境是Windows832位操作系统，matlab软件。

7.根据权利所述一种基于半监督聚类的cop-kmeans方法与系统，其特征在于，在步骤4.2中，假设给定一组c点资料X＝{x1,...,xc}，每一点都有2维；给定一个群聚的数目k,求其最好的聚类结果。这个演示允许您指定任意数量的二维点和一组可选的约束,然后集群点如何约束影响产生的集群。设置随机初始点，选择的集群数量为3(可按需求随机选择)。可出现kmeans算法的集群结果。可以手动加入约束，中键点击并拖动链接两点的Must-link约束(蓝线)。右键点击并拖动链接两点cannot-link约束(红线)，在有约束的情况下，形成cop-kmeans算法的实验结果。