基于粒子群和粗糙集的聚類算法研究.pdf

1、數(shù)據(jù)挖掘就是從海量數(shù)據(jù)中提取具有潛在價值的信息,是目前信息管理領域和數(shù)據(jù)庫技術最前沿的研究方向之一。聚類分析作為數(shù)據(jù)挖掘技術中的重要組成部分,已經(jīng)廣泛應用于模式識別、圖像處理、數(shù)據(jù)壓縮及市場營銷等許多領域。
　　 本文深入探討了K-medoids聚類算法、粒子群算法、核函數(shù)以及粗糙集理論,主要研究工作如下:
　　 (1)針對K-medoids算法存在初始聚類中心敏感、聚類精度較低及收斂速度緩慢的缺點,提出一種基于密度初始

2、化、密度迭代的搜索策略和準則函數(shù)優(yōu)化的方法。實驗表明,該算法能充分利用密度初始化思想,并將中心點的候選范圍縮小使得聚類收斂時間大幅度減少,加權準則函數(shù)進一步保證了聚類的高效性。
　　 (2)深入分析K-medoids算法還存在易陷入局部最優(yōu)的缺點,提出一種基于粒子群的聚類算法。通過尋找粒子群和K-medoids算法的契合度,利用粒子群的全局尋優(yōu)能力防止算法陷入局部最優(yōu)。實驗表明,與其他算法相比,該算法具有更高的正確率,時間復雜度

3、更低,綜合性能更穩(wěn)定。
　　 (3)提出一種基于粒子群的粗糙核聚類算法,該算法將K-medoids和粗糙集、核函數(shù)及粒子群算法進行有效結合,克服了K-medoids不能處理非線性數(shù)據(jù)和邊界對象的缺點。該算法通過Mercer核將樣本映射到高維空間,使樣本變得線性可分;并結合粗糙集思想,對邊界對象進行處理;同時采用ReliefF方法對樣本屬性進行加權處理,最后利用粒子群算法防止算法陷入局部最優(yōu)。實驗證明,該算法能對高維線性不可分數(shù)據(jù)