資源描述：
《基于改進粒子群的k均值聚類算法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術(shù)論文-天天文庫。
1、萬方數(shù)據(jù)學校代號：10536學號：11108010845密級：公開基于改進粒子群的K均值聚類算法研究學位申請^姓名迕竣瑾培養(yǎng)單位讓簋±蝮通信媸瞳導9撇及職稱幽越學科專!世垂瞄信息丕統(tǒng)研究方向蟹自皂信息處理拉本論文提交日期2Q!壘生壘目論文答辯日期墊!壘生5且答辯委員會主席墨釜嘉佳趲萬方數(shù)據(jù)ResearchonK-meansClusteringBasedonImprovedParticleSwarmOptimizationAlgorithmbyXUJunweiB．E．(ChangshaUniversityofScience＆Technology)2011Athesissubmittedinpa
2、r￡ialsatisfactionoftheRequirementsforthedegreeofChangshaUniversityofScience＆TechnologySupervisorProfessorXuWeihong萬方數(shù)據(jù)長沙理工大學學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。作者虢齠協(xié)午吼山蛑名月6日學位論文版權(quán)使用授權(quán)書本學位論文作
3、者完全了解學校有關保留、使用學位論文的規(guī)定，同意學校保留并向國家有關部門或機構(gòu)送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權(quán)長沙理工大學可以將本學位論文的全部或部分內(nèi)容編入有關數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。同時授權(quán)中國科學技術(shù)信息研究所將本論文收錄到《中國學位論文全文數(shù)據(jù)庫》，并通過網(wǎng)絡向社會公眾提供信息服務。本學位論文屬于1、保密口，在年解密后適用本授權(quán)書。2、不保密d。(請在以上相應方框內(nèi)打“V”)作者簽名：坯輾?！┤掌冢罕刳∧辍?日導師簽名：乏日期：j釁6月么日萬方數(shù)據(jù)摘要聚類分析作為信息處理技術(shù)領域中的重要組成部分，已經(jīng)廣泛應用于
4、模式識別、圖像處理、數(shù)據(jù)分析等許多領域。K均值聚類算法是聚類分析中常用的—種聚類算法，該算法原理簡單、容易實現(xiàn)，但易于陷入局部最優(yōu)點且對初始中心比鉸敏感。為克服該缺點，本文對粒子群作了改進，并提出了兩種改進的聚類算法：(1)為解決傳統(tǒng)K均值算法對初始化敏感的問題，本文提出了基于波動控制的改進粒子群和K均值的混合聚類算法。該算法首先采用K均值將粒子群進行分類，形成多個聚類域；然后選擇最優(yōu)的聚類域用于生成疫苗，并在粒子更新過程中采用疫苗接科朝席蚌口免疫選擇機制提高粒子的多樣性。當粒子群的波動幅度小于設置的閥值時，采用K均值豸孚等辮趲寄氳算法的收斂精度。仿真實驗表明，和其他算法相比，該算法的正確率
5、更高。(2)為解決K均值算法極易陷入局部最優(yōu)的缺陷，本文提出了基于擾動策略的免疫粒子群聚類算法。當個體極值和全局極值連續(xù)停滯代數(shù)超過所設置的閥值時，算法通過引入擾動算子改變粒子群的運動方向，提高粒子的遍歷性，從而提高了算法的收斂效果。仿真實驗表明，與其他較新的算法相比，該算法具有較高的正確率和較好的穩(wěn)定性。萬方數(shù)據(jù)ABSTRACTClusteranalysisasallimportantpartofinformationprocessingte‰lo雹mlasbeenusedinpattemrecognition,imageprocessing,dataanalysisandothersfi
6、elds．K-meansclusteringalgorithmiscommonlyusedinclusteranalysis,thealgorithmisshpleandeasytoimplement．However,it'sliabletotrapinalocaloptimumandsensitivetothe刪center．Inordertoovercometheshortcoming,thispapermodifiesparticleswarmoptimizationalgoriflmaandproposestwooptimizedclusteringalgorithms：(1)For
7、thepurposeoffMnginitializationsensitiveissueoftheK-meansalgorithm,thispaperproposesahybridclusteringalgoriffmabasedonmodifiedparticlesvqallTIop"mnizationandk-meansclustering．ThenewclusteringalgorithmusesK-m
