量子多目標(biāo)進(jìn)貨聚類算法及其應(yīng)用研究.pdf

1、數(shù)據(jù)挖掘，是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程，并得出時(shí)間的趨向和關(guān)聯(lián)，為用戶提供問(wèn)題求解層次的決策支持能力。當(dāng)人們使用數(shù)據(jù)挖掘工具對(duì)數(shù)據(jù)中的模型和關(guān)系進(jìn)行辨識(shí)的時(shí)候，通常第一個(gè)步驟就是聚類。所以聚類作為數(shù)據(jù)挖掘的主要方法之一，也越來(lái)越引起人們的關(guān)注。迄今為止，人們提出了大量聚類算法。但這些算法僅適用于特定的問(wèn)題及用戶，而且它們?cè)诶碚摵头椒ㄉ先圆煌晟啤?/p>

2、隨著數(shù)據(jù)規(guī)模越來(lái)越大，而先驗(yàn)知識(shí)卻相對(duì)缺乏，如何解釋大規(guī)模高維空間包含的數(shù)據(jù)成為一個(gè)難題。本論文在多目標(biāo)進(jìn)化計(jì)算的系統(tǒng)框架下，結(jié)合量子理論，用優(yōu)化的思想來(lái)解決聚類問(wèn)題，提出了量子多目標(biāo)進(jìn)化聚類算法，并將其用于人工數(shù)據(jù)聚類、UCI數(shù)據(jù)聚類、紋理圖像分割和遙感圖像分割中。主要研究?jī)?nèi)容如下：
　　 ⑴提出了一種量子多目標(biāo)進(jìn)化聚類方法。針對(duì)傳統(tǒng)聚類方法僅選取一個(gè)目標(biāo)函數(shù)進(jìn)行優(yōu)化，獲得的聚類結(jié)果僅對(duì)一種分布的數(shù)據(jù)效果優(yōu)越而對(duì)其它分布的數(shù)據(jù)

3、效果不理想的缺點(diǎn)。該聚類方法在多目標(biāo)優(yōu)化的框架下，選取兩個(gè)互補(bǔ)的目標(biāo)函數(shù)，基于量子的高效并行性和量子態(tài)的疊加性，對(duì)進(jìn)化種群采用量子編碼，非支配排序選擇和量子旋轉(zhuǎn)門操作，最終利用一種半監(jiān)督的方法從一組非支配解中選擇一個(gè)偏好的最優(yōu)解。實(shí)驗(yàn)表明，該方法不但具有很好的種群多樣性和全局搜索能力，應(yīng)用到大量不同分布的人工數(shù)據(jù)集和UCI數(shù)據(jù)集上，也獲得了更高的聚類正確率。
　　 ⑵在已有的量子多目標(biāo)進(jìn)化聚類算法基礎(chǔ)上，針對(duì)圖像分割問(wèn)題，提出一

4、種基于量子多目標(biāo)聚類的圖像分割方法。該方法在對(duì)輸入的圖像進(jìn)行特征提取和分水嶺分割獲得聚類數(shù)據(jù)后，先采用量子編碼獲得量子種群，再選取兩個(gè)互補(bǔ)的目標(biāo)函數(shù)評(píng)價(jià)聚類性能，然后用非支配排序選擇以及量子旋轉(zhuǎn)門進(jìn)化種群，最后對(duì)聚類獲得的一組非支配解解碼獲得類別數(shù)和類別標(biāo)號(hào)，并從這組非支配解中選擇一個(gè)最優(yōu)個(gè)體，最優(yōu)個(gè)體所對(duì)應(yīng)的類別標(biāo)號(hào)作為像素的灰度值，得到圖像分割結(jié)果。解決了現(xiàn)有圖像分割技術(shù)中評(píng)價(jià)指標(biāo)單一、細(xì)節(jié)保持性能不好等缺點(diǎn)，應(yīng)用于紋理圖像和遙感圖