基于粒子群的粗糙聚類算法分析與研究.pdf

1、隨著計算機技術(shù)的飛速發(fā)展和人類的需求不斷變化，產(chǎn)生了大量的數(shù)據(jù)，從海量數(shù)據(jù)中挖掘出對人類有用得知識一直是人類努力的方向。數(shù)據(jù)挖掘正是這種技術(shù)，它能夠從浩瀚的數(shù)據(jù)海洋中挖掘或者提取到對人類有用的知識，能夠有效促進(jìn)經(jīng)濟社會的發(fā)展。其中聚類分析是數(shù)據(jù)挖掘中的一個重要分支，它在人類的生產(chǎn)生活中得到了廣泛地應(yīng)用。
　　本文主要是針對聚類算法的改進(jìn)，探討了算法的不足以及改進(jìn)后的優(yōu)勢，主要從以下幾方面進(jìn)行分析研究:
　　首先，本文針對K-

2、means算法對初始聚類中心敏感和易陷入局部最優(yōu)的缺點，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確定初始聚類中心，能夠?qū)崿F(xiàn)自動確定初始聚類中心，解決K-means算法對初始值敏感的問題。利用粒子群算法全局尋優(yōu)能力強的優(yōu)點，來增強K-means算法全局搜索能力，避免K-means陷入局部最優(yōu)。通過對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，計算相異度矩陣，引入用群體適應(yīng)度方差，進(jìn)一步優(yōu)化混合算法

3、。實驗結(jié)果表明，本文算法具有更高的準(zhǔn)確率和更強的收斂能力。
　　其次，針對K-medois算法的全局搜索能力弱和迭代計算過程計算量大的不足，提出了一種改進(jìn)的基于粒子群的粗糙K-medoids算法。該算法通過粒子群算法來改善K-medoids全局搜索能力，通過計算樣本集的相異度矩陣來簡化粒子群編碼，引入粗糙集理論處理邊界模糊數(shù)據(jù)，并利用記憶技術(shù)對K-medoids的迭代過程進(jìn)行優(yōu)化，降低算法的復(fù)雜度。通過對UCI中的Iris、Mus