作為數(shù)據(jù)挖掘中的一個重要工具,聚類分析是一種探索性的方法,其主要目標(biāo)是在未標(biāo)記數(shù)據(jù)的前提下基于數(shù)據(jù)樣本之間的相似性將數(shù)據(jù)聚合成不同的簇。目前已有很多聚類算法,并在生物信息學(xué)和文本挖掘等領(lǐng)域獲得了豐碩的成果。聚類算法可分為硬聚類和模糊聚類,鑒于模糊聚類算法更能準(zhǔn)確地描述現(xiàn)實(shí)世界,因此成為聚類分析中一個非�；钴S的研究課題。模糊C-均值聚類算法（FCM算法）則是模糊聚類中一種應(yīng)用廣泛的方法。但是,該算法存在對初始中心點(diǎn)敏感以及聚類質(zhì)量偏低等缺陷。隨著各種智能優(yōu)化算法不斷地提出和研究,近年來許多學(xué)者將它們用來優(yōu)化聚類算法,并取得了較好的效果。蝙蝠算法（BA算法）是其中的一種隨機(jī)全局優(yōu)化模型,能夠利用群體優(yōu)勢,融合全局搜索和局部搜索,實(shí)現(xiàn)快速收斂,因此在許多優(yōu)化問題中有著廣泛的實(shí)際應(yīng)用。但是,該算法存在易陷入局部最優(yōu)、求解精度不理想等缺陷。本文對現(xiàn)有的模糊聚類算法進(jìn)行了分析,針對FCM聚類算法的不足,結(jié)合BA算法與樣本和屬性加權(quán)技術(shù)對FCM聚類算法進(jìn)行優(yōu)化處理。首先,針對傳統(tǒng)BA算法的缺陷,從兩個方面對BA算法進(jìn)行了改進(jìn):一方面,利用Logistic混沌映射改變算法隨機(jī)初始化種群的方式,增加了初... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

箱線圖


本文編號：3023052