基于增强重引力搜索的高维数据协同聚类算法

发布时间：2021-06-17 01:02

　　传统基于智能优化技术的聚类算法难以获得理想的聚类准确率。设计一种基于增强重引力搜索的高维数据协同聚类算法,用以提高高维数据的聚类准确率。设计协同相似性度量技术同时评估样本的相似性和特征的相似性,以特征间的相似性引导数据样本的聚类处理,提高聚类的效率和准确率。设计拟牛顿法的局部开发机制,提高重引力搜索的求解效果,利用增强的重引力搜索算法搜索最优的聚类解。实验结果表明,该方法对高维数据集的聚类结果具有明显的优势。 

【文章来源】：计算机应用与软件. 2020,37(10)北大核心

【文章页数】：7 页

【部分图文】：

表1实例的二部图结构

其中:参数ε≥0;γ>0;R1表示选择当前迭代的最优解x i* t ;R2表示点x i* t 不在最优点x i* t-1 的区域内,R2促使GSA开发新区域。图2是R1规则和R2规则的示意图,图中GSA处理一维优化问题,即m=1、N=4。位置x i* t-1 表示第t-1次迭代的最优种群,然后移动当前迭代t的质量,粒子i在位置x i t 实现最优适应度。在位置x i t 测试R1规则和R2规则,如果目标函数值获得提高,再判断当前点是否与最优点距离足够远。图中x i* t 同时满足规则R1和R2。将x i* t 作为拟牛顿法的起始点,x i* t 和x i* t-1 为局部最小的不同邻居。拟牛顿法[14]的起点设为yk,建立二次模型目标函数:

将EGSA的完全解建模为向量格式。设一个矩阵共有n个目标和m个特征,目标是为m个对象和n个特征分配一个类标签。给定一个n+m长度的向量,前n个元素为n个样本的类标签,剩余m个元素为m个特征的类标签。图3是一个解的例子,该例子包括10个样本和8个特征,设样本的分类数k1为3,特征的分类数k2为2。行标签表示为xi∈{1,2,…,k1},特征标签为yi∈{1,2,…,k2}。3.2 种群初始化

【参考文献】：
期刊论文
[1]基于BFGS拟牛顿法的压缩感知SL0重构算法[J]. 孙娜,刘继文,肖东亮.  电子与信息学报. 2018(10)
[2]CNN支持下的领域文本自组织映射神经网络聚类算法[J]. 贾声声,彭敦陆.  小型微型计算机系统. 2018(06)
[3]密度峰值聚类相关问题的研究[J]. 杨洁,王国胤,庞紫玲.  南京大学学报(自然科学). 2017(04)
[4]面向海量数据的改进最近邻优先吸收聚类算法[J]. 宁可,孙同晶,徐洁洁.  计算机工程. 2018(04)
[5]基于可靠性的正则化加权软k-均值的子空间聚类[J]. 李新玉,徐桂云,任世锦,杨茂云.  南京大学学报(自然科学). 2017(03)
[6]基于引力搜索机制的花朵授粉算法[J]. 肖辉辉,万常选,段艳明,谭黔林.  自动化学报. 2017(04)
[7]面向高维微阵列数据的集成特征选择算法[J]. 孙刚,张靖.  计算机工程与科学. 2016(07)



本文编号：3234140