基于微粒群算法的聚類算法.pdf

1、數(shù)據(jù)挖掘是從大量數(shù)據(jù)中挖掘出未知的、有價值的模式或規(guī)律的復雜過程。聚類分析是數(shù)據(jù)挖掘中的一個重要研究領域,其目的是按照事物間的相似性對給定事物進行區(qū)別和分類,并采用數(shù)學方法對其屬性進行研究和處理。聚類分析算法大致可劃分為以下幾類：層次聚類算法、分割聚類算法、基于現(xiàn)實約束的聚類算法、機器學習中的聚類算法以及用于高維數(shù)據(jù)的聚類算法。動態(tài)聚類算法是分割聚類算法中的一個重要分支,但現(xiàn)有的動態(tài)聚類算法在運算過程中容易陷入局部最小和對初始值敏感等不

2、足,限制了它的發(fā)展。很多學者嘗試采用全局尋優(yōu)算法來改進聚類算法,如：遺傳算法、免疫規(guī)劃和模擬退火等算法,取得了一定的成效。微粒群算法是一種高效的群體智能算法,具有收斂速度快、容易實現(xiàn)等優(yōu)點,因此,將微粒群算法應用到聚類算法中將能有效的改進現(xiàn)有聚類算法的不足。 本文分析了現(xiàn)有的聚類算法,這些算法的聚類數(shù)目需要提前確定。在此基礎上,提出一種基于微粒群算法和K均值聚類算法的混合聚類算法,該算法定義了兩種類間距離,構造出一種新的聚類有效

3、性函數(shù),利用該函數(shù)對最佳聚類數(shù)進行求解。仿真結果顯示了該方法合理有效。 現(xiàn)有聚類算法的目標函數(shù)是樣本到聚類中心歐式距離平方加權和的最小值,依據(jù)樣本到聚類中心的距離將樣本劃分到離聚類中心最近的類中,這些聚類算法很難對復雜形狀的數(shù)據(jù)進行聚類。因此,本文提出了基于生長樹的聚類算法,其中定義了最鄰近距離和生長樹等概念,并將最鄰近距離作為生長樹的生長方向和樣本劃分依據(jù),以生長樹的大小作為聚類效果的判定函數(shù)。新算法利用網(wǎng)格和密度閾值來去除數(shù)