半监督聚类集成的关键技术研究

半监督聚类集成是把半监督学习与聚类集成有机结合起来，提高聚类的正确率，以克服单个聚类算法本身固有的选择性、偏差性、准确性低和泛化性差等缺点；同时克服无监督学习不能利用专家知识的缺陷，使学习结果的稳定性，泛化性，准确性和鲁棒性都能得到提高。目前，半监督聚类集成的研究刚刚起步，还缺乏理论研究基础。项目的主要研究目标是建立半监督聚类集成的理论基础；其次是建立一个一般性的、指导性的半监督聚类集成的生成模型。本项目的主要研究内容包括：第一，进行"半监督聚类集成"的理论基础研究；第二，建立"半监督聚类集成"的模型、并对模型进行推理求解，分析模型的复杂度，应用范围和泛化性等，并且设计相应的算法；第三，半监督聚类集成实验方面的研究，确定实验数据，研究实验种类和实验步骤等；第四，半监督聚类集成的应用研究，把"半监督聚类集成"应用于入侵检测、病毒分类和网络社会挖掘等系统。

半监督聚类集成的关键技术研究项目把半监督学习与聚类集成进行了有机结合，提高了聚类的正确率，从一定程度上克服单个聚类算法本身固有的选择性、偏差性、准确性低和泛化性差等缺点；同时克服了无监督学习不能利用专家知识的缺陷，使学习结果的稳定性，泛化性，准确性和鲁棒性都能得到提高。通过对半监督聚类集成的研究，建立和补充了半监督聚类集成的一些理论基础，如论证了半监督聚类集成的收敛性和鲁棒性，讨论了各基聚类的多样性等。建立一个一般性的、指导性的半监督聚类集成的生成模型。同时也建立了半监督聚类集成的软投票，协同训练，成对约束等模型来进行半监督聚类集成。对模型都进行推理，求解和设计算法，用多个数据集对模型进行了检验，最后把半监督聚类集成的应用在了图像融合和入侵检测等领域。