学位论文 > 优秀研究生学位论文题录展示

基于粒子群和粗糙集的聚类算法研究

作　者: 姚丽娟
导　师: 罗可
学　校: 长沙理工大学
专　业: 计算机应用技术
关键词: 数据挖掘 K-medoids算法粒子群算法粗糙集核函数
分类号: TP18
类　型: 硕士论文
年　份: 2012年
下　载: 82次
引　用: 0次
阅　读: 论文下载

内容摘要

数据挖掘就是从海量数据中提取具有潜在价值的信息，是目前信息管理领域和数据库技术最前沿的研究方向之一。聚类分析作为数据挖掘技术中的重要组成部分，已经广泛应用于模式识别、图像处理、数据压缩及市场营销等许多领域。本文深入探讨了K-medoids聚类算法、粒子群算法、核函数以及粗糙集理论，主要研究工作如下：(1)针对K-medoids算法存在初始聚类中心敏感、聚类精度较低及收敛速度缓慢的缺点，提出一种基于密度初始化、密度迭代的搜索策略和准则函数优化的方法。实验表明，该算法能充分利用密度初始化思想，并将中心点的候选范围缩小使得聚类收敛时间大幅度减少，加权准则函数进一步保证了聚类的高效性。(2)深入分析K-medoids算法还存在易陷入局部最优的缺点，提出一种基于粒子群的聚类算法。通过寻找粒子群和K-medoids算法的契合度，利用粒子群的全局寻优能力防止算法陷入局部最优。实验表明，与其他算法相比，该算法具有更高的正确率，时间复杂度更低，综合性能更稳定。(3)提出一种基于粒子群的粗糙核聚类算法，该算法将K-medoids和粗糙集、核函数及粒子群算法进行有效结合，克服了K-medoids不能处理非线性数据和边界对象的缺点。该算法通过Mercer核将样本映射到高维空间，使样本变得线性可分；并结合粗糙集思想，对边界对象进行处理；同时采用ReliefF方法对样本属性进行加权处理，最后利用粒子群算法防止算法陷入局部最优。实验证明，该算法能对高维线性不可分数据具有较好的聚类效果，并证明了算法的正确性和高效性。

全文目录

摘要  5-6
ABSTRACT  6-9
第一章绪论  9-16
  1.1 研究背景和意义  9
  1.2 数据挖掘的理论和应用  9-14
    1.2.1 数据挖掘的发展背景  9-10
    1.2.2 数据挖掘的研究现状  10-13
    1.2.3 聚类技术的研究现状  13-14
  1.3 本文的主要工作  14
  1.4 论文的组织结构  14-16
第二章相关知识  16-27
  2.1 聚类分析  16-19
    2.1.1 基本概念及描述  16
    2.1.2 主要算法及比较  16-19
  2.2 粗糙集理论  19-21
    2.2.1 不可分辨关系  19-20
    2.2.2 集合的上、下近似集  20-21
    2.2.3 粗糙集的基本性质  21
  2.3 核函数  21-23
    2.3.1 基本原理  21-22
    2.3.2 基本理论知识  22-23
    2.3.3 核函数方法的特点  23
  2.4 粒子群算法  23-25
    2.4.1 基本原理  23-25
    2.4.2 处理流程  25
    2.4.3 与其他算法的比较  25
  2.5 ReliefF 加权算法  25-26
  2.6 本章小结  26-27
第三章自适应 K-medoids 聚类算法  27-36
  3.1 问题提出  27
  3.2 自适应 K-medoids 思想  27-29
    3.2.1 密度初始化  27-28
    3.2.2 基于密度的迭代搜索策略  28-29
    3.2.3 优化准则函数  29
  3.3 自适应 K-medoids 算法  29-31
    3.3.1 算法描述  29-30
    3.3.2 算法分析  30-31
  3.4 实验仿真及结果分析  31-35
    3.4.1 实验设计  31-32
    3.4.2 实验结果分析  32-35
  3.5 本章小结  35-36
第四章基于粒子群的 K-medoids 算法  36-42
  4.1 问题提出  36
  4.2 基于粒子群的 K-medoids 算法思想  36-37
  4.3 基于粒子群的 K-medoids 算法  37-39
    4.3.1 粒子群初始化  37
    4.3.2 聚类中心优化  37-38
    4.3.3 适应度函数  38
    4.3.4 算法编码  38
    4.3.5 算法流程  38-39
  4.4 实验仿真及结果分析  39-41
    4.4.1 实验设计  39
    4.4.2 实验结果分析  39-41
  4.5 本章小结  41-42
第五章基于粒子群的粗糙核聚类算法  42-50
  5.1 问题提出  42
  5.2 基于粒子群的粗糙核聚类算法  42-46
    5.2.1 属性加权操作  42
    5.2.2 权值的动态调整  42-43
    5.2.3 聚类边界与聚类中心的计算  43
    5.2.4 算法收敛准则  43-44
    5.2.5 适应度函数  44
    5.2.6 算法流程  44-46
  5.3 实验仿真及结果分析  46-48
    5.3.1 实验设计  46-47
    5.3.2 实验结果分析  47-48
  5.4 本章小结  48-50
第六章总结与展望  50-52
  6.1 工作总结  50
  6.2 未来工作及展望  50-52
参考文献  52-60
致谢  60-61
附录 A 攻读学位期间所发表的学术论文  61-62
摘要  62-66
ABSTRACT  66-70

基于粒子群和粗糙集的聚类算法研究

内容摘要

全文目录

相似论文