基于差分進化計算的聚類算法研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著科技的進步,特別是信息產業(yè)的發(fā)展,使人類社會步入了一個嶄新的信息時代.面對日益海量的信息,如何在信息庫中提取對自己有用的信息,并對提取的信息進行必要的整理、歸類和相應的分析,已經成為人們當前最為關心和研究的問題之一.聚類分析是重要的數據分組方法,聚類分析的結果具有重要的現(xiàn)實指導意義,所以被廣泛的應用于:心理學和其他社會科學、生物學、統(tǒng)計學、模式識別、信息檢索、機器學習等.
  經典的聚類分析算法包括劃分聚類算法、層次聚類算法、

2、基于密度的聚類算法、基于網格的聚類算法和基于模型的聚類算法等.本文主要介紹了兩類使用最為廣泛的聚類算法:劃分聚類算法和層次聚類算法.其中劃分的聚類算法重點介紹了K-Means聚類算法和K-Modes聚類算法;基于層次聚類算法重點介紹了Ward聚類算法.但這幾類算法都存在有對初始聚類中心的選擇敏感或者容易陷入局部最優(yōu)解等缺點.
  使用優(yōu)化算法對聚類算法進行優(yōu)化,是解決聚類算法自身缺點的有效方法.現(xiàn)在主流的優(yōu)化算法包括:差分進化計算

3、、遺傳算法、蟻群算法,模擬退火算法、微粒群算法、人工魚群算法等.這些算法各有特點,廣泛的用于解決各類優(yōu)化問題.本文主要介紹和使用了優(yōu)化算法中的差分進化計算,它的特點是簡單易用、快速、健壯,并且適合求解數值型優(yōu)化問題,所以是一種非常具有研究價值的優(yōu)化算法.
  本文主要使用差分進化計算,對K-Means聚類算法和K-Modes聚類算法以及Ward聚類算法進行優(yōu)化.使用差分進化計算較好的解決了聚類中心的優(yōu)化問題,使以上三類聚類算法都取

4、得了更好的聚類效果.在使用差分進化計算優(yōu)化K-Modes聚類算法時,不僅提出了基于差分進化計算的K-Modes聚類算法,而且在此基礎上對算法進行了改進,實驗證明改進后的算法保留了更好的聚類子代,最終的聚類效果也更好.在使用差分進化計算優(yōu)化K-Means聚類算法時,分別與基于遺傳算法和進化規(guī)劃算法的K-Means聚類算法進行對比.對比實驗結果證明,差分進化計算比上述兩種優(yōu)化算法優(yōu)化效果更好.在使用差分進化計算優(yōu)化Ward聚類算法時,同樣與

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論