基于模糊算法和径向基神经网络的聚类研究

发布时间：2022-10-08 13:18

　　聚类分析作为一种重要的数据处理技术已经被广泛地应用到各个领域。本文用模糊C均值和径向基神经网络方法研究聚类问题,这一研究对于整合事物的数据信息,探索事物规律提供了策略参考。本文的主要研究内容及成果可概括如下:1.在模糊聚类的过程中,考虑到聚类的初始中心点的选取对于整个聚类结果较为敏感,提出了基于灰色关联度的初始聚类中心选择方法,能够较好的找到初值,提高聚类结果的稳定性。2.在聚类过程中,选择合适的度量来评估数据中的相似性是必要的。本文在经典的欧氏距离函数作为相似性度量的基础上,结合已有的研究成果,引入DTW距离及SPDTW距离,结合三种距离度量的优点,针对可能出现的某数据较大的依赖于某一距离或不同程度的依赖于不同距离度量的问题,提出了基于三种距离加权的形式作为新的相似性度量,然后将其应用于模糊C中心点和模糊C均值混合模糊聚类技术中。3.使用加权距离作为相似性度量的基础上,为了更好的确定加权距离权值,我们采用粒子群优化算法对权值寻优,从而得到全局最优解。利用MATLAB编程进行数值实验,对不同的UCR数据集及SCADI标准数据集进行聚类分析,数值结果显示,改进模糊聚类算法下聚类结果显著提... 

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究状况
    1.3 本文主要内容及结构
2 预备知识
    2.1 灰色关联度分析理论
    2.2 模糊C均值(FCM)聚类
    2.3 相似性度量-距离函数
    2.4 径向基网络模型的聚类学习算法
3 基于改进的模糊C聚类算法
    3.1 初始聚类中心的选择
    3.2 基于改进的加权距离的模糊聚类模型
        3.2.1 加权距离的确定
        3.2.2 两阶段模糊聚类模型
    3.3 粒子群优化的加权度量算法
    3.4 数值结果
    3.5 本章小结
4 改进的径向基网络的聚类研究
    4.1 改进的FCM-RBF网络聚类模型的建立
    4.2 改进的RBF网络聚类算法
    4.3 数值实验
    4.4 本章小结
5 结论与展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]改进的分类数据聚类中心初始化方法[J]. 王思杰,唐雁.  计算机应用. 2018(S1)
[2]基于最佳u-shapelets的时间序列聚类算法[J]. 余思琴,闫秋艳,闫欣鸣.  计算机应用. 2017(08)
[3]基于快速密度聚类的RBF神经网络设计[J]. 蒙西,乔俊飞,李文静.  智能系统学报. 2018(03)
[4]改进人工蜂群优化BP神经网络的分类研究[J]. 韦鹏宇,潘福成,李帅.  计算机工程与应用. 2018(10)
[5]模糊半监督加权聚类算法的有效性评价研究[J]. 李龙龙,何东健,王美丽.  计算机技术与发展. 2016(06)
[6]一种加权欧氏距离聚类算法的改进[J]. 朱俚治.  计算机与数字工程. 2016(03)
[7]基于模糊聚类的神经网络在数据挖掘分类中的应用研究[J]. 王刚,黄丽华,张成洪.  科技导报. 2007(15)



本文编号：3687787