資源描述：
《一種改進(jìn)的基于粒子群的聚類算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第31卷第9期計(jì)算機(jī)應(yīng)用研究V01．31No．92014年9月ApplicationResearchofComputersSep．2014一種改進(jìn)的基于粒子群的聚類算法水楊志，羅可(長(zhǎng)沙理工大學(xué)計(jì)算機(jī)與通信工程學(xué)院，長(zhǎng)沙410014)摘要：針對(duì)K—means對(duì)初始聚類中心敏感和易陷入局部最優(yōu)的缺點(diǎn)，提出了一種改進(jìn)的基于粒子群的聚類算法。該算法結(jié)合基于密度和最大最小距離法來(lái)確定初始聚類中心，解決K—means對(duì)初始值敏感的問(wèn)題；利用粒子群算法全局尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn)，避免K-means陷入局部最優(yōu)。通過(guò)對(duì)樣本集各維屬性的規(guī)范化處理，慣性權(quán)值采用凹函數(shù)遞減，計(jì)算相異度矩陣，引入用
2、群體適應(yīng)度方差，進(jìn)一步優(yōu)化混合算法。實(shí)驗(yàn)結(jié)果表明，該算法具有更高的準(zhǔn)確率和更強(qiáng)的收斂能力。關(guān)鍵詞：聚類算法；粒子群優(yōu)化算法；相異度矩陣；最大最小距離法；K-means；適應(yīng)度方差中圖分類號(hào)：TP311；TP301．6文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001—3695(2014)09—2597—03doi：10．3969／j．issn．1001-3695．2014．09．008ImprovedclusteringalgorithmbasedonparticleswarmoptimizationYANGZhi，LUOKe(InstituteofComputer＆Communicati
3、onEngineering，ChangshaUnive~iqofScience&Technology，Changsha410014，China)Abstract：ThispaperproposedanimprovedclusteringalgorithmbasedonparticleswarInoptimizationthatwasaimedtore—solvetheK—meansalgorithmshortcomingofsensitivingtotheinitialclusteringcenterandeasinesstofallintolocaloptimum．Th
4、eimprovedalgorithmcombineddensity—basedandmaximumminimumdistancemethodtodetermineinitialclusteringcenter，solvedproblemoftheK-meanswassensitivetotheinitialclusteringcenter．TheadvantagesofPSO’SstrongglobaloptimizationabilitywereusedtoavoidK—meansfallingintolocaloptimum．Bynormalizingeachattr
5、ibuteofthesampleset，inertiaweightwasdecreasedbyconcavefunction，calculatedthedissimilaritymatrixandintroducedparticleswarm’Sfitnessvariancetoopti—mizethehybridalgorithmfurther．Theexperimentalresultsshowthatthisalgorithmhashigheraccuracyandstrongerconver—gencecapability．Keywords：clusteringa
6、lgorithm；particleswarmoptimization；dissimilaritymatrix；max—mindistancemethod；K-means；fitt—nessVariance聚類是一種無(wú)監(jiān)督學(xué)習(xí)，它廣泛地應(yīng)用在多個(gè)領(lǐng)域，包括對(duì)K．means算法進(jìn)行優(yōu)化，文獻(xiàn)[6]利用粒子群全局尋優(yōu)能力數(shù)據(jù)挖掘、模式識(shí)別、計(jì)算機(jī)視覺(jué)和生物信息學(xué)，是重要的數(shù)據(jù)強(qiáng)的特點(diǎn)改進(jìn)K-means算法易陷入局部最優(yōu)的缺點(diǎn)，但沒(méi)有利分析方法之一。聚類是根據(jù)數(shù)據(jù)集中數(shù)據(jù)的相關(guān)性將其劃分用好K．means算法的局部搜索能力強(qiáng)的特點(diǎn)。本文利用文獻(xiàn)為若干簇的過(guò)程，目的是使同一簇內(nèi)數(shù)據(jù)
7、點(diǎn)之間的相似性大，[7～9]的方法動(dòng)態(tài)地自動(dòng)確定聚類數(shù)和初始聚類中心，結(jié)合不同簇之間數(shù)據(jù)點(diǎn)相似性小。文獻(xiàn)[10—12]的方法對(duì)樣本集的規(guī)范化處理、調(diào)整粒子群權(quán)聚類算法中的劃分和層次的方法是最流行的聚類技術(shù)。重、計(jì)算相異度矩陣和群體適應(yīng)度方差進(jìn)行優(yōu)化，提出了一種基于劃分的聚類算法主要是K—means及其優(yōu)化算法；基于層次改進(jìn)的基于粒子群的聚類算法，取得了較好的聚類效果。的聚類算法有UPGMA及改進(jìn)算法。1967年，由MacQueen提1預(yù)備知識(shí)出的基于目標(biāo)函數(shù)的K-means算法是一種有代表性的劃分方法，具有簡(jiǎn)單、快速、有效處理
