群体聚类算法研究
发布时间：2020-12-11 09:03
聚类分析是一种典型的无监督学习问题。与有监督学习相比,聚类分析适用于在没有足够的先验知识的问题,分析研究对象间的相似性模式,从而将无标记的物理对象或者抽象对象划分为若干个组,划分得到的组称为簇。为了能将对象划分到正确的簇中,算法需要挖掘出对象间的相似性。群体智能是一类常用的优化技术,是求解聚类问题的方法之一。基于群体智能的聚类方法常选择一种基于种群的随机搜索算法作为其框架,将种群中的个体编码为一个或一组簇中心向量。随着种群的迭代进化,个体可以同时搜索解空间的不同区域,由此可以找到全局最优解。目前,现有的大多数基于群体智能的聚类算法旨在找到一组簇中心。然而,这种基于中心的聚类方法难以处理具有不规则形状的簇。同时,现有的方法中还存在一些不足,比如难以确定种群的规模和如何初始化种群等。本文使用基于群体智能的方法来解决聚类问题。本文的主要内容包括以下两个方面。（1）提出了群体聚类算法SCA。在SCA算法中,每个数据样本编码为种群中的个体。因此,种群的规模与数据集的规模保持一致;采用核密度估计作为适应度函数来评估粒子的密度;为粒子选择leader粒子来协助粒子飞行,从而降低算法的误差;采用动态的...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图３．１?ＳＣＡ算法在Ａｇｇｒｅｇａｔｉｏｎ数据集上的聚类过程??３．４．２实验设置??在本节中，ＳＣＡ算法的性能将与四个经典的聚类算法进?
?＾?ｊ??Ｉ?＼?ｉ?＇??ｊ?ｆ—??ｘ?＿??？ｗ．?Ｎ?Ｉ?Ｉ?＼??、????＼??．?ｊ?？］?、???．．．＜?？?．?＞？ＵＵ１－Ｉ４ＢＨＩ＜Ｉ＞１＞ＸＵ?Ｉ；?１．?Ｗ?ｙ?■？?；■?＜．?．－＜＞Ｕａｒ｜！ＭＳ？?■?ｔ?？?Ｉ?■?？？?１１?ＵＵＵＫ＾?Ｉ?Ｋ?ＩＶ?Ｍ：ＩＵ：ｌ＞．．１Ｋ：－ｌ＞＾＞．Ｕ＞ｉｎＭＰ？ｒＳＫ?？？！？■？？？＜？＞？？？??（ｃ）?Ｄ３１数据集上的结果?（ｆ）?ＤＩＭ５１２数据集上的结果??图４．２欠－ｍｅａｎｓ算法在人工数据集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ图??４．４．３实验结果与分析??１．人工数据集上的实验结果??本小节选择了六个带有真实簇划分的人工数据集来评估所提出的ＳＣＡ２??算法的性能，分别是?Ａｇｇｒｅｇａｔｉｏｎ［５６］、Ｆｌａｍｅ［５７］、ＤＳ８５０１５９］、Ｒ１５［５８】、Ｄ３１［５８］和??ＤＩＭ５１２ｌ９１ｌ其中，ＤＩＭ５１２数据集使用了最大最小值归一化进行预处理。表４．１中??给出了每个数据集的详细描述，而且前五个数据集的数据分布可分别从图４．６、??图４．７、图４．８、图４．１０以及图４．１１中的第一个子图中获得，其他图展示的是每个算??法在２０次独立实验结果中根据最高的ＡＲＩ值选出的最好聚类结果。对于ＤＢ－??ＳＣＡＮ算法和ＯＰＴＩＣＳ算法，它们识别出的噪声均使用“ｘ”来标记。??测试的算法在人工数据集上的指标值如表４．４所示，该表中还给出了算法所??获指标值的排名，并在最后一行列出了算法在指标值上的排名总和。对于ＳＣＡ２??算法、ＳＣＡ算法、Ｓｗａｒｍ｛５｝ＲＣＥｆ＋算法和Ａ：－ｍｅ
ｔｉｏｎ数据集上的结果??ｒ?＼?ｉ?Ｉ??｝？?＼?！？??！．?＼?Ｉ?＼??＼?＊＿?＼??＞．?、、?Ｖ??、？、一?’?＇？、、、??＂?、?．．．．．－?．丨?？？＇?????Ｉ?：?＞?－?？?＊?＇?？?？ＫＵＩ：Ｕｔ＊ｌ；ｆ?ｌ＊ＶＢＫ３ｔｎ；ｌｆ＞＾＞ｉ；．?Ｍｒ＊ＫｉｔＬｒｉ＞ｒ?－?？?ｉ?？?■?？?？?？??Ｍ—??（ｅ）?Ｅｃｏｌｉ数据集上的结杲?（ｆ）?Ａｐｐｅｎｄｉｃｉｔｉｓ数据集上的结果??图４．３?■Ｋ＇－ｍｅａｎｓ算法在真实数据集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ图??则形状族的数据集Ａｇｇｒｅｇａｔｉｏｎ、Ｆｌａｍｅ以及ＤＳ８５０上的聚类结果。在这些数据??集上，ＳＣＡ２算法均获得了最高的Ｆ－ｍｅａｓｕｒｅ、ＮＭＩ和ＡＲＩ值，并可从图４．６（ｂ）、??４．７（ｂ）和４．８（ｂ）中看出，ＳＣＡ２算法正确地将大部分的点划分到了相应的簇中。类??似地，ＳＣＡ算法在这些数据集上获得次优的聚类结果。因此，可以说ＳＣＡ２算法??和ＳＣＡ算法均可处理具有不规则形状的簇。值得一提的是，ＳＣＡ２算法和ＳＣＡ??算法都可以正确识别出Ｆｌａｍｅ数据集中的簇结构。然而，从图４．６（ｅ）中可以观察??到，由于时部法则在Ａｇｇｒｅｇａｔｉｏｎ数据集上为欠－ｍｅａｎｓ算法估计了较小的Ａ：值，??因而Ａ：－ｍｅａｎｓ算法将Ａｇｇｒｅｇａｔｉｏｎ数据集中左下角的两个小簇合并。而如图４．７（ｅ）??所示，时部法则在Ｆｌａｍｅ数据集上为Ａ：－ｍｅａｎｓ算法估计了较大的值，因而将??Ｆｌａｍｅ数据集中位于下面的簇划分开。类似地，如图４．６（ｆ）和４．７（ｆ
本文编号：2910254
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图３．１?ＳＣＡ算法在Ａｇｇｒｅｇａｔｉｏｎ数据集上的聚类过程??３．４．２实验设置??在本节中，ＳＣＡ算法的性能将与四个经典的聚类算法进?
?＾?ｊ??Ｉ?＼?ｉ?＇??ｊ?ｆ—??ｘ?＿??？ｗ．?Ｎ?Ｉ?Ｉ?＼??、????＼??．?ｊ?？］?、???．．．＜?？?．?＞？ＵＵ１－Ｉ４ＢＨＩ＜Ｉ＞１＞ＸＵ?Ｉ；?１．?Ｗ?ｙ?■？?；■?＜．?．－＜＞Ｕａｒ｜！ＭＳ？?■?ｔ?？?Ｉ?■?？？?１１?ＵＵＵＫ＾?Ｉ?Ｋ?ＩＶ?Ｍ：ＩＵ：ｌ＞．．１Ｋ：－ｌ＞＾＞．Ｕ＞ｉｎＭＰ？ｒＳＫ?？？！？■？？？＜？＞？？？??（ｃ）?Ｄ３１数据集上的结果?（ｆ）?ＤＩＭ５１２数据集上的结果??图４．２欠－ｍｅａｎｓ算法在人工数据集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ图??４．４．３实验结果与分析??１．人工数据集上的实验结果??本小节选择了六个带有真实簇划分的人工数据集来评估所提出的ＳＣＡ２??算法的性能，分别是?Ａｇｇｒｅｇａｔｉｏｎ［５６］、Ｆｌａｍｅ［５７］、ＤＳ８５０１５９］、Ｒ１５［５８】、Ｄ３１［５８］和??ＤＩＭ５１２ｌ９１ｌ其中，ＤＩＭ５１２数据集使用了最大最小值归一化进行预处理。表４．１中??给出了每个数据集的详细描述，而且前五个数据集的数据分布可分别从图４．６、??图４．７、图４．８、图４．１０以及图４．１１中的第一个子图中获得，其他图展示的是每个算??法在２０次独立实验结果中根据最高的ＡＲＩ值选出的最好聚类结果。对于ＤＢ－??ＳＣＡＮ算法和ＯＰＴＩＣＳ算法，它们识别出的噪声均使用“ｘ”来标记。??测试的算法在人工数据集上的指标值如表４．４所示，该表中还给出了算法所??获指标值的排名，并在最后一行列出了算法在指标值上的排名总和。对于ＳＣＡ２??算法、ＳＣＡ算法、Ｓｗａｒｍ｛５｝ＲＣＥｆ＋算法和Ａ：－ｍｅ
ｔｉｏｎ数据集上的结果??ｒ?＼?ｉ?Ｉ??｝？?＼?！？??！．?＼?Ｉ?＼??＼?＊＿?＼??＞．?、、?Ｖ??、？、一?’?＇？、、、??＂?、?．．．．．－?．丨?？？＇?????Ｉ?：?＞?－?？?＊?＇?？?？ＫＵＩ：Ｕｔ＊ｌ；ｆ?ｌ＊ＶＢＫ３ｔｎ；ｌｆ＞＾＞ｉ；．?Ｍｒ＊ＫｉｔＬｒｉ＞ｒ?－?？?ｉ?？?■?？?？?？??Ｍ—??（ｅ）?Ｅｃｏｌｉ数据集上的结杲?（ｆ）?Ａｐｐｅｎｄｉｃｉｔｉｓ数据集上的结果??图４．３?■Ｋ＇－ｍｅａｎｓ算法在真实数据集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ图??则形状族的数据集Ａｇｇｒｅｇａｔｉｏｎ、Ｆｌａｍｅ以及ＤＳ８５０上的聚类结果。在这些数据??集上，ＳＣＡ２算法均获得了最高的Ｆ－ｍｅａｓｕｒｅ、ＮＭＩ和ＡＲＩ值，并可从图４．６（ｂ）、??４．７（ｂ）和４．８（ｂ）中看出，ＳＣＡ２算法正确地将大部分的点划分到了相应的簇中。类??似地，ＳＣＡ算法在这些数据集上获得次优的聚类结果。因此，可以说ＳＣＡ２算法??和ＳＣＡ算法均可处理具有不规则形状的簇。值得一提的是，ＳＣＡ２算法和ＳＣＡ??算法都可以正确识别出Ｆｌａｍｅ数据集中的簇结构。然而，从图４．６（ｅ）中可以观察??到，由于时部法则在Ａｇｇｒｅｇａｔｉｏｎ数据集上为欠－ｍｅａｎｓ算法估计了较小的Ａ：值，??因而Ａ：－ｍｅａｎｓ算法将Ａｇｇｒｅｇａｔｉｏｎ数据集中左下角的两个小簇合并。而如图４．７（ｅ）??所示，时部法则在Ｆｌａｍｅ数据集上为Ａ：－ｍｅａｎｓ算法估计了较大的值，因而将??Ｆｌａｍｅ数据集中位于下面的簇划分开。类似地，如图４．６（ｆ）和４．７（ｆ
本文编号：2910254
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2910254.html
