基于粒子群优化算法的不确定聚类技术研究

发布时间：2017-09-14 23:31

  本文关键词：基于粒子群优化算法的不确定聚类技术研究

  更多相关文章： 粒子群 相似度 阈值控制 高斯噪声扰动 不确定聚类

【摘要】：随着通信、互联网技术的不断发展改进,我们进入了一个信息高度密集的大数据时代,来自于金融、互联网、军事、地理等行业的数据不计其数,在这些数据的背后可能隐藏着许多有价值的信息,如何用数据挖掘技术来处理这些繁杂的数据成为了当下的一个研究重点。聚类分析是数据挖掘中最有活力的研究领域之一,但是随着数据的不断复杂化、数据规模逐渐增加,普通的聚类算法已经很难发挥作用,为了应对这一情况,一些高维数据聚类、不确定聚类、基于群优化的聚类算法被相继提出,用来处理这些复杂的大规模数据集。本文介绍了聚类分析领域以及群优化算法的相关研究进展,对粒子群优化进行了重点分析研究,提出了一种基于相似度改进的粒子群算法,并将该算法运用到不确定聚类分析算法中,最后通过实验分析了组合算法的性能。文章重点工作概括如下:1、针对粒子群算法易于过早收敛的不足,本文通过引入粒子间新的相似度的概念来度量粒子群的多样性,并用自适应变化阈值手段来控制调整粒子群算法的收敛速度,使其渐进趋向于全局最优,在粒子群算法迭代过程中以相似度为基础,通过高斯等噪声扰动来重新调整粒子的位置从而避免算法陷入局部最优,从而得到了一种PSO算法的改进算法,实验和性能分析表明,新算法可以有效提高算法的全局搜索能力,并有效回避收敛早熟问题。2、将上述基于相似度改进的粒子群优化算法运用到不确定聚类分析之中,通过改进粒子群算法的最优化能力来指引不确定聚类的进行方向,并通过不确定聚类的结果来反馈粒子群算法;此外,通过入侵数据检测的实验分析了组合算法的性能。
【关键词】：粒子群 相似度 阈值控制 高斯噪声扰动 不确定聚类
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP311.13
【目录】：

• 摘要3-4
• ABSTRACT4-7
• 第一章 绪论7-11
• 1.1 研究背景与意义7-8
• 1.2 国内外研究现状8-9
• 1.3 本文的主要工作以及结构体系9-11
• 第二章 基于群优化的聚类分析概述11-21
• 2.1 聚类分析11-17
• 2.2 基于群优化算法的聚类分析17-21
• 第三章 基于相似度改进的粒子群优化算法21-31
• 3.1 引言21
• 3.2 粒子群算法21-22
• 3.3 基于相似度的改进PSO算法22-26
• 3.4 实验与分析26-30
• 3.5 本章总结30-31
• 第四章 基于粒子群优化算法的不确定聚类分析31-42
• 4.1 引言31
• 4.2 基于改进的粒子群的不确定聚类分析算法31-37
• 4.3 改进的粒子群聚类算法用于网络入侵数据的检测37-41
• 4.4 本章小结41-42
• 第五章 总结与展望42-44
• 5.1 本文主要工作总结42
• 5.2 未来展望42-44
• 参考文献44-48
• 致谢48-49
• 个人简介49-50
• 在校期间科研成果50

【参考文献】

中国期刊全文数据库 前10条

1 敖永才;师奕兵;张伟;李焱骏;;自适应惯性权重的改进粒子群算法[J];电子科技大学学报;2014年06期

2 熊众望;罗可;;基于改进的简化粒子群聚类算法[J];计算机应用研究;2014年12期

3 盛歆漪;孙俊;周，

本文编号：853004