本文關鍵詞：基于粒子群優(yōu)化算法的不確定聚類技術研究

  更多相關文章： 粒子群 相似度 閾值控制 高斯噪聲擾動 不確定聚類

【摘要】：隨著通信、互聯(lián)網技術的不斷發(fā)展改進,我們進入了一個信息高度密集的大數據時代,來自于金融、互聯(lián)網、軍事、地理等行業(yè)的數據不計其數,在這些數據的背后可能隱藏著許多有價值的信息,如何用數據挖掘技術來處理這些繁雜的數據成為了當下的一個研究重點。聚類分析是數據挖掘中最有活力的研究領域之一,但是隨著數據的不斷復雜化、數據規(guī)模逐漸增加,普通的聚類算法已經很難發(fā)揮作用,為了應對這一情況,一些高維數據聚類、不確定聚類、基于群優(yōu)化的聚類算法被相繼提出,用來處理這些復雜的大規(guī)模數據集。本文介紹了聚類分析領域以及群優(yōu)化算法的相關研究進展,對粒子群優(yōu)化進行了重點分析研究,提出了一種基于相似度改進的粒子群算法,并將該算法運用到不確定聚類分析算法中,最后通過實驗分析了組合算法的性能。文章重點工作概括如下:1、針對粒子群算法易于過早收斂的不足,本文通過引入粒子間新的相似度的概念來度量粒子群的多樣性,并用自適應變化閾值手段來控制調整粒子群算法的收斂速度,使其漸進趨向于全局最優(yōu),在粒子群算法迭代過程中以相似度為基礎,通過高斯等噪聲擾動來重新調整粒子的位置從而避免算法陷入局部最優(yōu),從而得到了一種PSO算法的改進算法,實驗和性能分析表明,新算法可以有效提高算法的全局搜索能力,并有效回避收斂早熟問題。2、將上述基于相似度改進的粒子群優(yōu)化算法運用到不確定聚類分析之中,通過改進粒子群算法的最優(yōu)化能力來指引不確定聚類的進行方向,并通過不確定聚類的結果來反饋粒子群算法;此外,通過入侵數據檢測的實驗分析了組合算法的性能。
【關鍵詞】：粒子群 相似度 閾值控制 高斯噪聲擾動 不確定聚類
【學位授予單位】：北方民族大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;TP311.13
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 第一章 緒論7-11
• 1.1 研究背景與意義7-8
• 1.2 國內外研究現狀8-9
• 1.3 本文的主要工作以及結構體系9-11
• 第二章 基于群優(yōu)化的聚類分析概述11-21
• 2.1 聚類分析11-17
• 2.2 基于群優(yōu)化算法的聚類分析17-21
• 第三章 基于相似度改進的粒子群優(yōu)化算法21-31
• 3.1 引言21
• 3.2 粒子群算法21-22
• 3.3 基于相似度的改進PSO算法22-26
• 3.4 實驗與分析26-30
• 3.5 本章總結30-31
• 第四章 基于粒子群優(yōu)化算法的不確定聚類分析31-42
• 4.1 引言31
• 4.2 基于改進的粒子群的不確定聚類分析算法31-37
• 4.3 改進的粒子群聚類算法用于網絡入侵數據的檢測37-41
• 4.4 本章小結41-42
• 第五章 總結與展望42-44
• 5.1 本文主要工作總結42
• 5.2 未來展望42-44
• 參考文獻44-48
• 致謝48-49
• 個人簡介49-50
• 在校期間科研成果50

【參考文獻】

中國期刊全文數據庫 前10條

1 敖永才;師奕兵;張偉;李焱駿;;自適應慣性權重的改進粒子群算法[J];電子科技大學學報;2014年06期

2 熊眾望;羅可;;基于改進的簡化粒子群聚類算法[J];計算機應用研究;2014年12期

3 盛歆漪;孫俊;周，

本文編號：853004