聚類分析是一種典型的無監(jiān)督學習問題。與有監(jiān)督學習相比,聚類分析適用于在沒有足夠的先驗知識的問題,分析研究對象間的相似性模式,從而將無標記的物理對象或者抽象對象劃分為若干個組,劃分得到的組稱為簇。為了能將對象劃分到正確的簇中,算法需要挖掘出對象間的相似性。群體智能是一類常用的優(yōu)化技術,是求解聚類問題的方法之一�；谌后w智能的聚類方法常選擇一種基于種群的隨機搜索算法作為其框架,將種群中的個體編碼為一個或一組簇中心向量。隨著種群的迭代進化,個體可以同時搜索解空間的不同區(qū)域,由此可以找到全局最優(yōu)解。目前,現(xiàn)有的大多數(shù)基于群體智能的聚類算法旨在找到一組簇中心。然而,這種基于中心的聚類方法難以處理具有不規(guī)則形狀的簇。同時,現(xiàn)有的方法中還存在一些不足,比如難以確定種群的規(guī)模和如何初始化種群等。本文使用基于群體智能的方法來解決聚類問題。本文的主要內容包括以下兩個方面。（1）提出了群體聚類算法SCA。在SCA算法中,每個數(shù)據(jù)樣本編碼為種群中的個體。因此,種群的規(guī)模與數(shù)據(jù)集的規(guī)模保持一致;采用核密度估計作為適應度函數(shù)來評估粒子的密度;為粒子選擇leader粒子來協(xié)助粒子飛行,從而降低算法的誤差;采用動態(tài)的... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

圖３．１?ＳＣＡ算法在Ａｇｇｒｅｇａｔｉｏｎ數(shù)據(jù)集上的聚類過程??３．４．２實驗設置??在本節(jié)中，ＳＣＡ算法的性能將與四個經(jīng)典的聚類算法進?

?＾?ｊ??Ｉ?＼?ｉ?＇??ｊ?ｆ—??ｘ?＿??？ｗ．?Ｎ?Ｉ?Ｉ?＼??、????＼??．?ｊ?？］?、???．．．＜?？?．?＞？ＵＵ１－Ｉ４ＢＨＩ＜Ｉ＞１＞ＸＵ?Ｉ；?１．?Ｗ?ｙ?■？?；■?＜．?．－＜＞Ｕａｒ｜�。停�？?■?ｔ?？?Ｉ?■?？？?１１?ＵＵＵＫ＾?Ｉ?Ｋ?ＩＶ?Ｍ：ＩＵ：ｌ＞．．１Ｋ：－ｌ＞＾＞．Ｕ＞ｉｎＭＰ？ｒＳＫ?？？�。俊�？？？＜？＞？？？??（ｃ）?Ｄ３１數(shù)據(jù)集上的結果?（ｆ）?ＤＩＭ５１２數(shù)據(jù)集上的結果??圖４．２欠－ｍｅａｎｓ算法在人工數(shù)據(jù)集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ圖??４．４．３實驗結果與分析??１．人工數(shù)據(jù)集上的實驗結果??本小節(jié)選擇了六個帶有真實簇劃分的人工數(shù)據(jù)集來評估所提出的ＳＣＡ２??算法的性能，分別是?Ａｇｇｒｅｇａｔｉｏｎ［５６］、Ｆｌａｍｅ［５７］、ＤＳ８５０１５９］、Ｒ１５［５８】、Ｄ３１［５８］和??ＤＩＭ５１２ｌ９１ｌ其中，ＤＩＭ５１２數(shù)據(jù)集使用了最大最小值歸一化進行預處理。表４．１中??給出了每個數(shù)據(jù)集的詳細描述，而且前五個數(shù)據(jù)集的數(shù)據(jù)分布可分別從圖４．６、??圖４．７、圖４．８、圖４．１０以及圖４．１１中的第一個子圖中獲得，其他圖展示的是每個算??法在２０次獨立實驗結果中根據(jù)最高的ＡＲＩ值選出的最好聚類結果。對于ＤＢ－??ＳＣＡＮ算法和ＯＰＴＩＣＳ算法，它們識別出的噪聲均使用“ｘ”來標記。??測試的算法在人工數(shù)據(jù)集上的指標值如表４．４所示，該表中還給出了算法所??獲指標值的排名，并在最后一行列出了算法在指標值上的排名總和。對于ＳＣＡ２??算法、ＳＣＡ算法、Ｓｗａｒｍ｛５｝ＲＣＥｆ＋算法和Ａ：－ｍｅ

ｔｉｏｎ數(shù)據(jù)集上的結果??ｒ?＼?ｉ?Ｉ??｝？?＼?�。�??�。�?＼?Ｉ?＼??＼?＊＿?＼??＞．?、、?Ｖ??、？、一?’?＇？、、、??＂?、?．．．．．－?．丨?？？＇?????Ｉ?：?＞?－?？?＊?＇?？?？ＫＵＩ：Ｕｔ＊ｌ；ｆ?ｌ＊ＶＢＫ３ｔｎ；ｌｆ＞＾＞ｉ；．?Ｍｒ＊ＫｉｔＬｒｉ＞ｒ?－?？?ｉ?？?■?？?？?？??Ｍ—??（ｅ）?Ｅｃｏｌｉ數(shù)據(jù)集上的結杲?（ｆ）?Ａｐｐｅｎｄｉｃｉｔｉｓ數(shù)據(jù)集上的結果??圖４．３?■Ｋ＇－ｍｅａｎｓ算法在真實數(shù)據(jù)集上的ｗｉｔｈｉｎ－ｓｕｍ－ｏｆ－ｓｑｕａｒｅ圖??則形狀族的數(shù)據(jù)集Ａｇｇｒｅｇａｔｉｏｎ、Ｆｌａｍｅ以及ＤＳ８５０上的聚類結果。在這些數(shù)據(jù)??集上，ＳＣＡ２算法均獲得了最高的Ｆ－ｍｅａｓｕｒｅ、ＮＭＩ和ＡＲＩ值，并可從圖４．６（ｂ）、??４．７（ｂ）和４．８（ｂ）中看出，ＳＣＡ２算法正確地將大部分的點劃分到了相應的簇中。類??似地，ＳＣＡ算法在這些數(shù)據(jù)集上獲得次優(yōu)的聚類結果。因此，可以說ＳＣＡ２算法??和ＳＣＡ算法均可處理具有不規(guī)則形狀的簇。值得一提的是，ＳＣＡ２算法和ＳＣＡ??算法都可以正確識別出Ｆｌａｍｅ數(shù)據(jù)集中的簇結構。然而，從圖４．６（ｅ）中可以觀察??到，由于時部法則在Ａｇｇｒｅｇａｔｉｏｎ數(shù)據(jù)集上為欠－ｍｅａｎｓ算法估計了較小的Ａ：值，??因而Ａ：－ｍｅａｎｓ算法將Ａｇｇｒｅｇａｔｉｏｎ數(shù)據(jù)集中左下角的兩個小簇合并。而如圖４．７（ｅ）??所示，時部法則在Ｆｌａｍｅ數(shù)據(jù)集上為Ａ：－ｍｅａｎｓ算法估計了較大的值，因而將??Ｆｌａｍｅ數(shù)據(jù)集中位于下面的簇劃分開。類似地，如圖４．６（ｆ）和４．７（ｆ


本文編號：2910254