傳統(tǒng)基于智能優(yōu)化技術(shù)的聚類算法難以獲得理想的聚類準(zhǔn)確率。設(shè)計(jì)一種基于增強(qiáng)重引力搜索的高維數(shù)據(jù)協(xié)同聚類算法,用以提高高維數(shù)據(jù)的聚類準(zhǔn)確率。設(shè)計(jì)協(xié)同相似性度量技術(shù)同時(shí)評(píng)估樣本的相似性和特征的相似性,以特征間的相似性引導(dǎo)數(shù)據(jù)樣本的聚類處理,提高聚類的效率和準(zhǔn)確率。設(shè)計(jì)擬牛頓法的局部開發(fā)機(jī)制,提高重引力搜索的求解效果,利用增強(qiáng)的重引力搜索算法搜索最優(yōu)的聚類解。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)高維數(shù)據(jù)集的聚類結(jié)果具有明顯的優(yōu)勢(shì)。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用與軟件. 2020,37(10)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

表1實(shí)例的二部圖結(jié)構(gòu)

其中:參數(shù)ε≥0;γ>0;R1表示選擇當(dāng)前迭代的最優(yōu)解x i* t ;R2表示點(diǎn)x i* t 不在最優(yōu)點(diǎn)x i* t-1 的區(qū)域內(nèi),R2促使GSA開發(fā)新區(qū)域。圖2是R1規(guī)則和R2規(guī)則的示意圖,圖中GSA處理一維優(yōu)化問(wèn)題,即m=1、N=4。位置x i* t-1 表示第t-1次迭代的最優(yōu)種群,然后移動(dòng)當(dāng)前迭代t的質(zhì)量,粒子i在位置x i t 實(shí)現(xiàn)最優(yōu)適應(yīng)度。在位置x i t 測(cè)試R1規(guī)則和R2規(guī)則,如果目標(biāo)函數(shù)值獲得提高,再判斷當(dāng)前點(diǎn)是否與最優(yōu)點(diǎn)距離足夠遠(yuǎn)。圖中x i* t 同時(shí)滿足規(guī)則R1和R2。將x i* t 作為擬牛頓法的起始點(diǎn),x i* t 和x i* t-1 為局部最小的不同鄰居。擬牛頓法[14]的起點(diǎn)設(shè)為yk,建立二次模型目標(biāo)函數(shù):

將EGSA的完全解建模為向量格式。設(shè)一個(gè)矩陣共有n個(gè)目標(biāo)和m個(gè)特征,目標(biāo)是為m個(gè)對(duì)象和n個(gè)特征分配一個(gè)類標(biāo)簽。給定一個(gè)n+m長(zhǎng)度的向量,前n個(gè)元素為n個(gè)樣本的類標(biāo)簽,剩余m個(gè)元素為m個(gè)特征的類標(biāo)簽。圖3是一個(gè)解的例子,該例子包括10個(gè)樣本和8個(gè)特征,設(shè)樣本的分類數(shù)k1為3,特征的分類數(shù)k2為2。行標(biāo)簽表示為xi∈{1,2,…,k1},特征標(biāo)簽為yi∈{1,2,…,k2}。3.2 種群初始化

【參考文獻(xiàn)】：
期刊論文
[1]基于BFGS擬牛頓法的壓縮感知SL0重構(gòu)算法[J]. 孫娜,劉繼文,肖東亮.  電子與信息學(xué)報(bào). 2018(10)
[2]CNN支持下的領(lǐng)域文本自組織映射神經(jīng)網(wǎng)絡(luò)聚類算法[J]. 賈聲聲,彭敦陸.  小型微型計(jì)算機(jī)系統(tǒng). 2018(06)
[3]密度峰值聚類相關(guān)問(wèn)題的研究[J]. 楊潔,王國(guó)胤,龐紫玲.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(04)
[4]面向海量數(shù)據(jù)的改進(jìn)最近鄰優(yōu)先吸收聚類算法[J]. 寧可,孫同晶,徐潔潔.  計(jì)算機(jī)工程. 2018(04)
[5]基于可靠性的正則化加權(quán)軟k-均值的子空間聚類[J]. 李新玉,徐桂云,任世錦,楊茂云.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(03)
[6]基于引力搜索機(jī)制的花朵授粉算法[J]. 肖輝輝,萬(wàn)常選,段艷明,譚黔林.  自動(dòng)化學(xué)報(bào). 2017(04)
[7]面向高維微陣列數(shù)據(jù)的集成特征選擇算法[J]. 孫剛,張靖.  計(jì)算機(jī)工程與科學(xué). 2016(07)



本文編號(hào)：3234140