基于混合蛙跳的數(shù)據(jù)挖掘模糊聚類(lèi)算法研究.pdf

1、近十幾年來(lái)，隨著計(jì)算機(jī)技術(shù)、通信技術(shù)、網(wǎng)絡(luò)技術(shù)的迅速發(fā)展與廣泛應(yīng)用，企業(yè)面臨著日益增多的業(yè)務(wù)數(shù)據(jù)，一方面，這些豐富的數(shù)據(jù)資源為企業(yè)提供能帶來(lái)商業(yè)利潤(rùn)的決策信息；另一方面，企業(yè)生產(chǎn)過(guò)程的科學(xué)研究以大量的數(shù)據(jù)為基礎(chǔ)，需要通過(guò)一定的方法和手段進(jìn)行分析、處理，可以實(shí)現(xiàn)生產(chǎn)過(guò)程的過(guò)程辨識(shí)、故障診斷和控制決策等工作。因此，數(shù)據(jù)挖掘作為一種從大量的、復(fù)雜的數(shù)據(jù)中提取有用信息的技術(shù)手段，引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。
　　 混合蛙跳算法是一種

2、模擬青蛙群智能搜索行為的群體協(xié)同搜索算法。由于其控制參數(shù)少、易于實(shí)現(xiàn)、編程簡(jiǎn)單等優(yōu)點(diǎn)，已被越來(lái)越多的學(xué)者所關(guān)注。模糊C-均值聚類(lèi)(FCM)和核模糊C-均值聚類(lèi)(KFCM)算法雖然已被應(yīng)用于模式識(shí)別、圖像處理等眾多領(lǐng)域中，但仍存在一些缺陷。本文針對(duì)FCM算法存在對(duì)初始值敏感和易陷入局部極小值的缺點(diǎn)，提出了一種基于混合蛙跳的模糊C-均值聚類(lèi)算法(SFLA-FCM)。核模糊C-均值聚類(lèi)(KFCM)算法在一定程度上克服了對(duì)數(shù)據(jù)形狀分布的依賴(lài)，但

3、仍存在對(duì)初始值敏感、易陷入局部極小值的缺點(diǎn)。為此，本文提出一種基于混合蛙跳的核模糊C-均值聚類(lèi)算法(SFLA-KFCM)。
　　 用SFLA優(yōu)化KFCM算法，對(duì)于聚類(lèi)數(shù)較少的數(shù)據(jù)集獲得了理想的結(jié)果。但在聚類(lèi)數(shù)較大和維數(shù)較高時(shí)，聚類(lèi)效果較差，為此提出首先將自適應(yīng)慣性權(quán)重引入混合蛙跳算法的更新策略中，再用改進(jìn)后的混合蛙跳算法求得最優(yōu)解作為KFCM算法的初始聚類(lèi)中心，然后利用KFCM算法優(yōu)化初始聚類(lèi)中心，最后求得全局最優(yōu)解，從而有效克

4、服了KFCM算法的缺點(diǎn)，更適合高維、聚類(lèi)數(shù)較多的數(shù)據(jù)集。
　　 用SFLA優(yōu)化FCM算法，對(duì)于聚類(lèi)數(shù)較少、維數(shù)較低的數(shù)據(jù)集獲得了理想的聚類(lèi)結(jié)果。但在聚類(lèi)數(shù)較大和維數(shù)較高時(shí)，聚類(lèi)效果較差，從而提出兩種改進(jìn)的SFLA算法。第一種，先將線性遞減的慣性權(quán)重引入蛙跳算法的更新策略中，并按照一定的概率選擇適應(yīng)度值較優(yōu)的青蛙代替較差青蛙，并對(duì)每只青蛙個(gè)體以不同的概率變異。第二種，先用混沌的Tent序列初始化青蛙群體以增強(qiáng)群體的多樣性，提高初始