本文關(guān)鍵詞：K-均值算法與自組織神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)研究及應(yīng)用

  更多相關(guān)文章： k-均值 SOM 子空間聚類 系統(tǒng)聚類法 入侵檢測(cè) 缺陷檢測(cè) 人臉識(shí)別

【摘要】：聚類分析廣泛應(yīng)用于各學(xué)科,如模式識(shí)別、圖像處理、機(jī)器學(xué)習(xí)以及統(tǒng)計(jì)學(xué)等。k-均值算法是最常用的一種聚類算法。而隨著人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用也越來(lái)越廣,神經(jīng)網(wǎng)絡(luò)中的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)常用于模式識(shí)別領(lǐng)域。本文主要針對(duì)k-均值算法與自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究,并研究了算法在人臉識(shí)別、入侵檢測(cè)及缺陷檢測(cè)中的應(yīng)用。具體研究?jī)?nèi)容如下:(1)近年來(lái)提出了一種新的k-均值算法即全局k-均值算法,它是一種逐步增加聚類中心的算法,算法每一次進(jìn)行全局搜索確定一個(gè)初始中心,聚類準(zhǔn)則與k-均值算法相同即以聚類誤差為準(zhǔn)則。全局k-均值算法有時(shí)候得到的簇只有一個(gè)元素;有時(shí)候選取的初始點(diǎn)很差,而初始點(diǎn)選取不好會(huì)導(dǎo)致局部最優(yōu)解的出現(xiàn),即達(dá)不到理想的聚類效果。首先為了消除得到的簇只有一個(gè)元素的缺點(diǎn),提出了改進(jìn)的全局k-均值算法;其次,應(yīng)用MinMax k-均值算法的思想對(duì)全局k-均值算法進(jìn)行了改進(jìn),得到了更好的初始點(diǎn)。提出的算法在通用的數(shù)據(jù)集上進(jìn)行了測(cè)試,測(cè)試結(jié)果與k-均值算法、全局k-均值算法以及MinMax k-均值算法進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明,提出的算法優(yōu)于其它幾種算法。(2)MinMax k-均值算法通過(guò)使最大類內(nèi)誤差最小化來(lái)解決初始點(diǎn)選取不佳帶來(lái)的影響。該算法中存在兩個(gè)參數(shù),即指數(shù)參數(shù)和記憶參數(shù)。選取不同的參數(shù)將得到不同的聚類誤差,因此參數(shù)的選取至關(guān)重要。原始算法中認(rèn)為只要給定指數(shù)參數(shù)選擇的最大值,算法將自適應(yīng)的選取最佳參數(shù)從而使得最大類內(nèi)誤差最小。然而,實(shí)驗(yàn)表明,這種說(shuō)法并不是完全正確的。因此,應(yīng)用粒子群算法對(duì)原始算法進(jìn)行了修正,修正后的算法在每次實(shí)驗(yàn)中都可以得到使得最大類內(nèi)誤差最小化的最優(yōu)參數(shù)。提出的算法在不同的數(shù)據(jù)集中進(jìn)行了測(cè)試,測(cè)試結(jié)果與k-均值算法及原始MinMax k-均值算法進(jìn)行比較,結(jié)果顯示,提出的算法的聚類誤差最小。(3)為了克服自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)中的科荷倫自組織映射網(wǎng)絡(luò)(SOM)分類類別數(shù)比實(shí)際類別多的缺陷,提出基于系統(tǒng)聚類法改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)算法和基于k-均值算法改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)算法。將改進(jìn)的算法應(yīng)用到人臉朝向識(shí)別和入侵檢測(cè)中,實(shí)驗(yàn)結(jié)果表明,與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)、模糊c-均值聚類算法、基于模糊聚類廣義回歸神經(jīng)網(wǎng)絡(luò)算法相比,提出的算法聚類效果更好。(4)稀疏子空間聚類是利用稀疏表示系數(shù)構(gòu)造稀疏相似圖從而對(duì)子空間聚類進(jìn)行。根據(jù)稀疏表示技術(shù),算法應(yīng)用1l范數(shù)得到稀疏系數(shù),再通過(guò)譜聚類的方法得到最終的聚類結(jié)果。而譜聚類算法是利用k-均值算法對(duì)數(shù)據(jù)進(jìn)行聚類,k-均值算法對(duì)初始值的選取比較敏感,而且需要大量重復(fù)運(yùn)行,為了克服這兩個(gè)缺點(diǎn),提出了兩種改進(jìn)稀疏子空間聚類的方法。算法改進(jìn)后,得到的結(jié)果將不再受到初始中心選擇和重復(fù)運(yùn)行的影響。第一種改進(jìn)算法利用比較相似圖中鄰接矩陣的零元素所在的位置得到聚類結(jié)果;第二種改進(jìn)算法應(yīng)用改進(jìn)的SOM分類算法代替k-均值算法進(jìn)行聚類。將基于改進(jìn)的SOM分類算法的稀疏子空間聚類方法應(yīng)用到人臉識(shí)別上,實(shí)驗(yàn)結(jié)果表明,提出的算法得到的結(jié)果優(yōu)于原始的稀疏子空間聚類算法的識(shí)別結(jié)果。(5)金屬表面缺陷的分類在激光超聲缺陷檢測(cè)中具有重要的作用。提出了利用自組織競(jìng)爭(zhēng)網(wǎng)絡(luò),自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展網(wǎng)絡(luò)學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)等方法對(duì)激光超聲探傷缺陷表面波進(jìn)行分類。討論了三種網(wǎng)絡(luò)在不同輸入情況下的分類效果。實(shí)驗(yàn)結(jié)果表明這三種神經(jīng)網(wǎng)絡(luò)都可以取得良好的分類效果。
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP183;TP311.13

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 于劍;論模糊C均值算法的模糊指標(biāo)[J];計(jì)算機(jī)學(xué)報(bào);2003年08期

2 李宇泊;李秦;;對(duì)k均值算法和硬C-均值算法的對(duì)比分析[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年01期

3 劉艷麗;劉希云;;一種基于密度的K-均值算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年32期

4 劉艷麗;劉希玉;孟巖;祖?zhèn)?;K-均值算法聚類分析及其在人力資源管理中的應(yīng)用[J];山東科學(xué);2008年02期

5 宋凌;李枚毅;李孝源;;基于粒群優(yōu)化的K均值算法及其應(yīng)用[J];計(jì)算機(jī)工程;2008年16期

6 閆仁武;雷艷云;任平;李從;;粒子群的K均值算法在電信客戶細(xì)分中的應(yīng)用[J];科學(xué)技術(shù)與工程;2009年20期

7 黃超;何晉;;基于模糊C均值算法的云南草藥聚類分析[J];計(jì)算機(jī)應(yīng)用;2012年S2期

8 鄒海;李梅;;一種用于文本聚類的改進(jìn)二分K-均值算法[J];微型機(jī)與應(yīng)用;2010年12期

9 陳杰;朱娟;;基于簇間相似度判定的自適應(yīng)K均值算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年10期

10 劉霞;洪飛龍;;遺傳模糊C均值算法在入侵檢測(cè)中的應(yīng)用[J];信息安全與通信保密;2006年07期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 楊保峰;沈越泓;;模擬信源標(biāo)量量化的模糊c-均值算法[A];通信理論與信號(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

2 顏祥;俞一彪;戴志強(qiáng);袁冬梅;;基于均值算法的男女聲與情感的同步變換[A];2006’和諧開(kāi)發(fā)中國(guó)西部聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2006年

3 韓敏;范劍超;;基于半監(jiān)督改進(jìn)模糊C均值算法的遙感聚類研究[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 王曉燕;K-均值算法與自組織神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)研究及應(yīng)用[D];中北大學(xué);2017年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 鄭杰;基于改進(jìn)人工蜂群的K均值混合聚類算法及其應(yīng)用[D];江西理工大學(xué);2015年

2 蔣大宇;快速有效的并行二分K均值算法[D];哈爾濱工程大學(xué);2013年

3 汪浩平;基于K-均值的文本聚類分析[D];貴州大學(xué);2008年

4 朱建宇;K均值算法研究及其應(yīng)用[D];大連理工大學(xué);2013年

5 厲于行;聚類分析中基于投影的κ均值算法[D];浙江大學(xué);2012年

6 張超;SKK-均值算法及其在人臉檢測(cè)中的應(yīng)用[D];河北大學(xué);2010年

7 王嘉;模糊C-均值算法在拼車(chē)系統(tǒng)中的應(yīng)用[D];東北大學(xué)　;2009年

8 谷智明;基于模糊C均值算法的PS版瑕疵分類[D];長(zhǎng)春理工大學(xué);2012年

9 范光平;一種基于變長(zhǎng)編碼的遺傳K均值算法研究[D];浙江大學(xué);2007年

10 曹守營(yíng);基于并行K-均值算法的網(wǎng)絡(luò)廣告精確營(yíng)銷(xiāo)系統(tǒng)設(shè)計(jì)[D];山東科技大學(xué);2007年

，

本文編號(hào)：1289247