基于流形距離和蜂群的聚類算法研究.pdf

1、現(xiàn)在的生活在數(shù)據(jù)時(shí)代，數(shù)據(jù)已經(jīng)處在身邊的每一處，且以爆炸式的的方式在增長(zhǎng)，甚至已無法計(jì)算，那么如何從這么多數(shù)據(jù)中獲取所需要的潛在有用得到知識(shí)，來幫住人們做出準(zhǔn)確的判斷，此時(shí)就有必要來挖掘這些數(shù)據(jù)。在數(shù)據(jù)挖掘中，比較重要的一種數(shù)據(jù)分析方式是聚類算法，其在研究領(lǐng)域十分受到研究者的青睞，但還是存在一些缺陷，這就需要更進(jìn)一步的改進(jìn)算法來彌補(bǔ)這些不足，且對(duì)解決社會(huì)實(shí)踐中遇到的難點(diǎn)也具有非比尋常的價(jià)值。
　　本文主要以傳統(tǒng)聚類算法中的相似度測(cè)

2、度為基礎(chǔ)，探討了以歐氏距離作為相似度測(cè)度對(duì)一些特殊數(shù)據(jù)集聚類時(shí)的不足，主要討論了現(xiàn)已提出的基于流形距離為相似度測(cè)度對(duì)特殊數(shù)據(jù)集聚類的優(yōu)勢(shì)，當(dāng)然也存在缺陷，在這里就更進(jìn)一步研究了粗糙集、蜂群算法等的實(shí)質(zhì)，并在此基礎(chǔ)上作改進(jìn)然后與改進(jìn)的流形距離相結(jié)合，以改善原來算法的性能。主要工作如下:
　　(1)針對(duì)K-means算法的初始聚類中心隨機(jī)選取，將流形距離作為相似度測(cè)度時(shí)其參數(shù)在表現(xiàn)數(shù)據(jù)集的全局一致性方面有缺陷等問題，本文引入粒計(jì)算理論

3、中的知識(shí)，對(duì)數(shù)據(jù)集的屬性進(jìn)行劃分，隨后根據(jù)最大最小距離的方法選取代表點(diǎn);然后再利用流形距離及準(zhǔn)則函數(shù)得到最佳的初始中心并得到最終聚類結(jié)果。實(shí)驗(yàn)結(jié)果表明:該算法在運(yùn)行時(shí)間上減少了并在數(shù)據(jù)的全局一致性上得到了很好的體現(xiàn)。
　　(2)現(xiàn)在提出的以流形距離為相似度測(cè)度的聚類算法主要是針對(duì)具有“絕對(duì)流形”分布特點(diǎn)的數(shù)據(jù)集聚類，沒有考慮到這種分布為“相對(duì)流形”的數(shù)據(jù)集，于是本文根據(jù)粗糙集的特點(diǎn)，首先對(duì)數(shù)據(jù)集的屬性進(jìn)行劃分然后根據(jù)最大最小距離來