K_means算法与群体智能算法（PSO）融合的研究与应用

发布时间：2020-07-07 22:30

【摘要】：数据挖掘是目前人工智能和数据库领域研究的关键技术之一,如何从海量信息中快速而有效的分析出用户所需要的信息已成为数据挖掘的研究重点。聚类分析是数据挖掘中国内外众多学者关注的焦点,而具有简单、高效、适用于高维复杂数据等优点的聚类算法也成为了聚类分析的研究重点。因此,本文提出一种与群体智能算法融合的K_means聚类算法,提高了聚类质量和精度。具体研究工作如下:(1)针对数据中各个属性对于最终聚类结果的影响,提出一种改进的特征加权算法。改进算法通过采用信息熵和ReliefF算法对特征进行加权选择,使算法达到更准确、更有效的聚类效果。实验结果表明,与传统的K_means算法相比,改进后的算法聚类结果稳定,聚类的精度有明显提升。(2)将改进的K_means算法与粒子群算法进行融合,提出一种基于粒子群算法的K_means混合聚类算法。利用粒子群算法的全局寻优能力,得到全局最优解作为K_means算法的初始聚类中心,解决了 K_means算法聚类结果易受初始值影响的问题,从而提高聚类的精度。实验结果表明,融合算法不仅提高了聚类的精度,在稳定性方面也有明显的提升。最后将融合算法应用到肝硬化数据集中,体现了融合算法的实用性。
【学位授予单位】：内蒙古农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP311.13
【图文】：

图１聚类过程图逡逑Ｆｉｇ．邋１邋Ｃｌｕｓｔｅｒｉｎｇ邋ｐｒｏｃｅｓｓ邋ｃｈａｒｔ逡逑

图３粒子移动示意图逡逑Ｆｉｇ．３邋Ｓｃｈｅｍａｔｉｃ邋ｃｈａｒｔ邋ｏｆ邋ｐａｒｔｉｃｌｅ邋ｍｏｖｅｍｅｎｔ逡逑

图４粒子群算法流程图逡逑Ｆｉｇ．４邋ＰＳＯ邋Ａｌｇｏｒｉｔｈｍ邋ｆｌｏｗ邋ｃｈａｒｔ逡逑

【参考文献】

相关期刊论文 前10条

1 林晓雪;赵茂先;;一种基于改进粒子群算法的K-means算法[J];山东理工大学学报(自然科学版);2015年05期

2 伍育红;;聚类算法综述[J];计算机科学;2015年S1期

3 陈兴蜀;吴小松;王文贤;王海舟;;基于特征关联度的K-means初始聚类中心优化算法[J];四川大学学报(工程科学版);2015年01期

4 杨志;罗可;;一种改进的基于粒子群的聚类算法[J];计算机应用研究;2014年09期

5 刘智慧;张泉灵;;大数据技术研究综述[J];浙江大学学报(工学版);2014年06期

6 翟东海;鱼江;高飞;于磊;丁锋;;最大距离法选取初始簇中心的K-means文本聚类算法的研究[J];计算机应用研究;2014年03期

7 黄太安;生佳根;徐红洋;黄泽峰;;一种改进的简化粒子群算法[J];计算机仿真;2013年02期

8 陈小全;张继红;;基于改进粒子群算法的聚类算法[J];计算机研究与发展;2012年S1期

9 胥小波;郑康锋;李丹;武斌;杨义先;;新的混沌粒子群优化算法[J];通信学报;2012年01期

10 余建平;周新民;陈明;;群体智能典型算法研究综述[J];计算机工程与应用;2010年25期

相关硕士学位论文 前5条

1 赵莎莎;基于优化混合智能算法的云计算任务调度策略研究[D];内蒙古农业大学;2018年

2 宋建林;K-means聚类算法的改进研究[D];安徽大学;2016年

3 查安民;优化粒子群和蚁群算法的云计算任务调度研究[D];南京航空航天大学;2016年

4 孙雪莹;K-means算法的改进及其在云任务分配策略中的应用研究[D];内蒙古农业大学;2014年

5 易s

本文编号：2745698