学位论文 > 优秀研究生学位论文题录展示

基于自适应粒子群的k-中心聚类算法研究

作　者: 周虹
导　师: 罗可; 周友常
学　校: 长沙理工大学
专　业: 计算机技术
关键词: 数据挖掘聚类分析粒子群算法 k-中心聚类算法模拟退火算法
分类号: TP311.13
类　型: 硕士论文
年　份: 2012年
下　载: 142次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息技术的快速发展，各个领域和各组织单位都积累了大量的数据，用户迫切地希望能够分析数据以便提取有用的信息和知识。因此，数据挖掘应运而生，并成为了一个新兴的多学科交叉领域，是目前数据决策领域的前沿研究方向。作为数据挖掘技术一个重要部分，聚类分析的目标就是在相似的基础上收集数据来分类，它被广泛应用于模式识别、数据压缩、图像处理等众多领域。基于迭代的粒子群优化算法是通过迭代来找寻最优解的。粒子群算法以实现简单、精度高、收敛快等优点得到了广泛的应用。本文研究基于自适应粒子群的聚类算法，主要工作包括：（1）分析了k-中心聚类算法和基本粒子群算法的优缺点，利用改进粒子群算法来优化k-中心聚类算法，通过动态调整惯性权重因子和学习因子，并加入粒子飞行时间因子来同时更新粒子的速度和位置，使其较好地解决了早熟收敛和收敛速度慢的问题。实验结果表明，改进算法具有较好的正确率，性能比较稳定。（2）分析了模拟退火算法的基本原理，提出一种基于模拟退火和粒子群的k-中心聚类算法。该算法结合了粒子群优化算法的快速寻优能力和模拟退火的概率突跳特性，并改善了算法摆脱局部极值的能力。实验证明了新算法的较高收敛速度和精度。

全文目录

摘要  5-6
ABSTRACT  6-9
第一章绪论  9-19
  1.1 研究背景与意义  9-10
  1.2 数据挖掘概述  10-13
    1.2.1 DM 发展背景  10-11
    1.2.2 DM 研究现状  11-13
  1.3 聚类分析的实际应用  13-14
  1.4 聚类的研究现状  14-15
  1.5 聚类算法遇到的问题  15-17
  1.6 本文的主要工作  17-18
  1.7 本文的组织结构  18-19
第二章聚类分析  19-27
  2.1 聚类分析概述  19-23
    2.1.1 聚类分析的定义  19-20
    2.1.2 基本数据类型  20-21
    2.1.3 聚类分析的过程  21-23
  2.2 聚类算法的分类介绍  23-25
  2.3 k-medoids 聚类算法  25-26
  2.4 本章小结  26-27
第三章基于自适应粒子群的聚类算法  27-37
  3.1 粒子群算法的研究背景  27-28
  3.2 粒子群算法概述  28-33
    3.2.1 PSO 算法的基本原理  29-30
    3.2.2 PSO 算法的参数选择  30-31
    3.2.3 PSO 算法的基本步骤描述  31-32
    3.2.4 PSO 算法的应用  32-33
  3.3 基于自适应粒子群的聚类算法设计  33-36
    3.3.1 聚类准则函数的选择  33
    3.3.2 适应值函数的选择  33
    3.3.3 调整惯性权重因子  33-34
    3.3.4 学习因子的设置  34
    3.3.5 飞行时间因子的设置  34
    3.3.6 改进算法的步骤描述  34-35
    3.3.7 改进算法仿真  35-36
  3.4 本章小结  36-37
第四章基于模拟退火粒子群的 k-medoids 聚类算法  37-44
  4.1 模拟退火算法概述  37-41
    4.1.1 SA 算法简介  37-38
    4.1.2 SA 算法原理  38-40
    4.1.3 SA 算法参数的选择  40-41
  4.2 基于模拟退火和粒子群的 k-medoids 聚类  41-43
    4.2.1 改进算法的参数调整  41-42
    4.2.2 改进算法的步骤描述  42-43
    4.2.3 改进算法的仿真实验  43
  4.3 本章小结  43-44
第五章论文总结与展望  44-45
  5.1 论文总结  44
  5.2 展望  44-45
参考文献  45-51
致谢  51-52
附录（攻读硕士学位期间发表录用论文）  52-53
摘要  53-56
ABSTRACT  56-61

基于自适应粒子群的k-中心聚类算法研究

内容摘要

全文目录

相似论文