K-均值算法與自組織神經(jīng)網(wǎng)絡算法的改進研究及應用.pdf

1、聚類分析廣泛應用于各學科，如模式識別、圖像處理、機器學習以及統(tǒng)計學等。k-均值算法是最常用的一種聚類算法。而隨著人工神經(jīng)網(wǎng)絡的快速發(fā)展，人工神經(jīng)網(wǎng)絡的應用也越來越廣，神經(jīng)網(wǎng)絡中的自組織競爭神經(jīng)網(wǎng)絡常用于模式識別領域。本文主要針對k-均值算法與自組織競爭神經(jīng)網(wǎng)絡進行了研究，并研究了算法在人臉識別、入侵檢測及缺陷檢測中的應用。具體研究內(nèi)容如下:
　　(1)近年來提出了一種新的k-均值算法即全局k-均值算法，它是一種逐步增加聚類中心的算

2、法，算法每一次進行全局搜索確定一個初始中心，聚類準則與k-均值算法相同即以聚類誤差為準則。全局k-均值算法有時候得到的簇只有一個元素;有時候選取的初始點很差，而初始點選取不好會導致局部最優(yōu)解的出現(xiàn)，即達不到理想的聚類效果。首先為了消除得到的簇只有一個元素的缺點，提出了改進的全局k-均值算法;其次，應用MinMaxk-均值算法的思想對全局k-均值算法進行了改進，得到了更好的初始點。提出的算法在通用的數(shù)據(jù)集上進行了測試，測試結果與k-均值算

3、法、全局k-均值算法以及MinMax k-均值算法進行對比，實驗結果表明，提出的算法優(yōu)于其它幾種算法。
　　(2)MinMaxk-均值算法通過使最大類內(nèi)誤差最小化來解決初始點選取不佳帶來的影響。該算法中存在兩個參數(shù)，即指數(shù)參數(shù)和記憶參數(shù)。選取不同的參數(shù)將得到不同的聚類誤差，因此參數(shù)的選取至關重要。原始算法中認為只要給定指數(shù)參數(shù)選擇的最大值，算法將自適應的選取最佳參數(shù)從而使得最大類內(nèi)誤差最小。然而，實驗表明，這種說法并不是完全正確的

4、。因此，應用粒子群算法對原始算法進行了修正，修正后的算法在每次實驗中都可以得到使得最大類內(nèi)誤差最小化的最優(yōu)參數(shù)。提出的算法在不同的數(shù)據(jù)集中進行了測試，測試結果與k-均值算法及原始MinMaxk-均值算法進行比較，結果顯示，提出的算法的聚類誤差最小。
　　(3)為了克服自組織競爭神經(jīng)網(wǎng)絡中的科荷倫自組織映射網(wǎng)絡(SOM)分類類別數(shù)比實際類別多的缺陷，提出基于系統(tǒng)聚類法改進的SOM神經(jīng)網(wǎng)絡算法和基于k-均值算法改進的SOM神經(jīng)網(wǎng)絡算法

5、。將改進的算法應用到人臉朝向識別和入侵檢測中，實驗結果表明，與學習向量量化神經(jīng)網(wǎng)絡、模糊c-均值聚類算法、基于模糊聚類廣義回歸神經(jīng)網(wǎng)絡算法相比，提出的算法聚類效果更好。
　　(4)稀疏子空間聚類是利用稀疏表示系數(shù)構造稀疏相似圖從而對子空間聚類進行。根據(jù)稀疏表示技術，算法應用l1范數(shù)得到稀疏系數(shù)，再通過譜聚類的方法得到最終的聚類結果。而譜聚類算法是利用k-均值算法對數(shù)據(jù)進行聚類，k-均值算法對初始值的選取比較敏感，而且需要大量重復運

6、行，為了克服這兩個缺點，提出了兩種改進稀疏子空間聚類的方法。算法改進后，得到的結果將不再受到初始中心選擇和重復運行的影響。第一種改進算法利用比較相似圖中鄰接矩陣的零元素所在的位置得到聚類結果;第二種改進算法應用改進的SOM分類算法代替k-均值算法進行聚類。將基于改進的SOM分類算法的稀疏子空間聚類方法應用到人臉識別上，實驗結果表明，提出的算法得到的結果優(yōu)于原始的稀疏子空間聚類算法的識別結果。
　　(5)金屬表面缺陷的分類在激光超聲