聚类算法作为模式识别、数据挖掘领域的重要研究内容,受到研究者的广泛关注。近年来,许多对团簇状的数据表现出较好性能的聚类算法被提出,但面对结构复杂、边界不易区分、非球形分布和高维的数据集,单个聚类算法很难得到较好的聚类结果,集成聚类算法则可以解决上述问题。本文从多个方面研究集成聚类算法,并对集成聚类算法进行改进,具体研究内容如下:1.提出一种超簇加权的集成聚类算法。由于大多数集成聚类使用K-means算法生成基聚类,得到的基聚类效果不太理想。使用共协矩阵对基聚类进行集成时,平等地对待基聚类,忽视了基聚类的多样性。另外,当样本数目或集成规模较大时,以样本为操作单元生成共协矩阵,算法效率较低。基于地标点采样的超簇加权的集成聚类算法可以解决上述问题。该方法由三步构成:第一步是使用随机选点与K-means选点相结合的方法获取地标点,对地标点使用谱聚类算法得到其聚类结果,再将样本点映射到与之最近邻的地标点上生成基聚类;第二步对相交簇使用碎片整理策略得到超簇,以信息熵为依据计算基聚类的不确定性,并对基聚类赋予相应权重,最后使用加权的方式得到加权超簇的共协矩阵;第三步对共协矩阵使用层次聚类算法得到集成聚类结果。实验结果表明了该算法的有效性和运行效率。2.提出一种基于代表点和低秩表示的集成聚类算法。传统集成聚类算法在得到基聚类后,通常以全部样本为操作单元构建共协矩阵,且直接在共协矩阵上使用聚类算法得到集成聚类结果。样本点中的异常值等噪声对共协矩阵产生影响,降低了集成聚类的性能。基于低秩表示的通过代表点构建共协矩阵的集成聚类算法可以解决上述问题。该算法由三步构成:第一步得到基于基聚类的二元隶属度矩阵,将样本分为若干组,根据每组的二元隶属度值选取代表点;第二步根据代表点构建共协矩阵,通过低秩表示对共协矩阵进行优化;第三步对共协矩阵使用图聚类算法得到集成聚类结果。实验结果表明了该算法的有效性。3.提出一种基于集成聚类的文本聚类算法。传统文本聚类算法主要基于划分、层次、密度、网格或模型的聚类方法得到最终文本聚类结果,可以在文本聚类算法框架中使用集成聚类算法得到聚类结果,本文选取3个文本数据集进行算法实验,实验结果表明了该算法的良好性能。