資源描述：
《基于改進(jìn)粒計(jì)算的K-medoids聚類算法.pdf》由會員上傳分享，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。
1、JournalofComputerApplicationsISSN1oo1．90812014．07．10計(jì)算機(jī)應(yīng)用，2014，34(7)：1997—2000CODENJYIIDUhttp：／／www．joca．cn文章編號：1001．9081(2014)07．1997．04doi：10．11772／j．issn．1001-9081．2014．07．1997基于改進(jìn)粒計(jì)算的K-medoids聚類算法潘楚。，羅可(長沙理工大學(xué)計(jì)算機(jī)與通信工程學(xué)院，長沙410114)(通信作者電子郵箱panchu2012@163．corn)摘要：針對傳統(tǒng)K-
2、medoids聚類算法對初始聚類中心敏感、收斂速度緩慢以及聚類精度不夠高等缺點(diǎn)，提出一種基于改進(jìn)粒計(jì)算、粒度迭代搜索策略和優(yōu)化適應(yīng)度函數(shù)的新算法。該算法利用粒計(jì)算思想在有效粒子中選擇K個(gè)密度大且距離較遠(yuǎn)的粒子，選擇其中心點(diǎn)作為個(gè)聚類初始中心點(diǎn)；并在對應(yīng)的K個(gè)有效粒子中進(jìn)行中心點(diǎn)更新，來減少迭代次數(shù)；采用類間距離和類內(nèi)距離優(yōu)化適應(yīng)度函數(shù)來提高聚類的精度。實(shí)驗(yàn)結(jié)果表明：該算法在UCI多個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集中測試，在有效縮短迭代次數(shù)的同時(shí)提高了算法聚類準(zhǔn)確率。關(guān)鍵詞：K-medoids聚類算法；改進(jìn)粒計(jì)算；粒度迭代搜索策略；優(yōu)化適應(yīng)度函數(shù)中圖分類號：
3、TP301．6文獻(xiàn)標(biāo)志碼：AImprovedK—medoidsclusteringalgorithmbasedonimprovedgranularcomputingPANChu．LUOKe(SchoolofComputerandCommunicationEngineering,ChangshaUniversityofScienceandTechnology,ChangshaHunan410114，China)Abstract：Duetothedisadvantagessuchassensitivetotheinitialselectio
4、nofthecenter，slowconvergentspeedandpooraccuracyintraditionalK-medoidsclusteringalgorithm，anovelK-medoidsalgorithmbasedonimprovedGranularComputing(GrC)，granuleiterativesearchstrategyandanewfitnessfunctionwasproposedinthispaper．ThealgorithmselectedKgranulesusingthegranular
5、computingthinkinginthehigh-densityareawhichwerefarapart，selecteditscenterpointastheKinitialclustercenters，andupdatedKcenterpointsincandidategranulestoreducethenumberofiterations．What’Smore，anewfitnessfunctionwaspresentedbasedonbetween-classdistanceandwithin—classdistance
6、toimproveclusteringaccuracy．TestedonanumberofstandarddatasetsinUCI，theexperimentalresultsshowthatthisnewalgorithmreuducesthenumberofiterationsefectivelyandimprovestheaccuracyofclustering．Keywords：K-medoidsclusteringalgorithm；improvedgranularcomputing；granuleiterativesear
7、chstrategy；improvedfitnessfunction確率但增加了時(shí)間復(fù)雜度。文獻(xiàn)[8—9]分別提出了基于最0引言小支撐樹初始化聚類中心點(diǎn)，基于metricaccessmethod的聚聚類算法是根據(jù)數(shù)據(jù)的相似性將數(shù)據(jù)對象劃分在不同簇類方法，提高了聚類的準(zhǔn)確率但也增加了額外的開銷。文獻(xiàn)中的過程，使得同一簇中的對象具有較高的相似度，不同簇中[10—12]結(jié)合人工智能仿生算法優(yōu)化K-medoids聚類算法，數(shù)據(jù)對象不相似。K-medoids算法是屬于基于劃分方法的一提高算法全局搜索能力，但同時(shí)也犧牲時(shí)間復(fù)雜度。種?，是K-mea
8、ns算法的改進(jìn)。K-medoids算法能有效處理異上述文獻(xiàn)中，雖然對K-medoids聚類算法進(jìn)行了改進(jìn)。常數(shù)據(jù)和噪聲數(shù)據(jù)，具有很好的魯棒性，所以在聚類算法中得有些算法解決了初始化敏感問題，但增加了時(shí)間復(fù)雜
