基于群智能的聚類-分類一體化方法研究.pdf

1、20世紀(jì)50年代初,人工智能技術(shù)以及計(jì)算機(jī)技術(shù)產(chǎn)生并有了長(zhǎng)足的進(jìn)步,傳統(tǒng)的腦力勞動(dòng)被新興的計(jì)算機(jī)技術(shù)所取代。近年來(lái),在包括圖像分割,語(yǔ)音識(shí)別,醫(yī)學(xué)診斷等諸多方面模式識(shí)別技術(shù)都有著廣泛的應(yīng)用。根據(jù)學(xué)習(xí)目的,我們可以將模式識(shí)別技術(shù)分為聚類學(xué)習(xí)和分類學(xué)習(xí),其中聚類學(xué)習(xí)又可以分為監(jiān)督性聚類和非監(jiān)督性聚類。
　　現(xiàn)有的關(guān)于數(shù)據(jù)結(jié)構(gòu)信息的分類器設(shè)計(jì)都是分為兩步進(jìn)行的。首先我們必須完成聚類學(xué)習(xí)部分,再根據(jù)第一步中所獲得的有用信息去指導(dǎo)第二步分類

2、器的設(shè)計(jì)。這樣就使得分類學(xué)習(xí)和聚類學(xué)習(xí)無(wú)法在同一框架下完成各自的優(yōu)點(diǎn),而且,這些方法并不能在概率層面上準(zhǔn)確地給出相關(guān)信息。
　　本文是在對(duì)2008年南京航天航空大學(xué)的蔡維玲老師提出的一種同時(shí)實(shí)現(xiàn)聚類學(xué)習(xí)和分類學(xué)習(xí)的算法框架(Simultaneous Clustering Learning and Classification Learning,SCC)的研究基礎(chǔ)上,針對(duì)算法在求解聚類中心的過(guò)程中仍然用傳統(tǒng)的粒子群算法的種種不足,創(chuàng)

3、造性地加入了自適應(yīng)粒子群算法,并在多目標(biāo)聚類/分類一體化方法中加入了度量學(xué)習(xí)的概念,從而實(shí)現(xiàn)更加有效的一體化算法。
　　本文工作包含三個(gè)部分:
　　(1)研究了粒子群優(yōu)化算法(PSO)的基本理論。我們知道傳統(tǒng)粒子群算法存在著容易陷入局部極值、早熟收斂或停滯現(xiàn)象等不足。所以在算法進(jìn)化后期,我們對(duì)部分粒子采取自適應(yīng)變異跳出局部陷阱或者優(yōu)化算法當(dāng)中的慣性權(quán)重系數(shù)等一系列舉措,使得算法具備了更好地有效性。
　　(2)研究了單目

4、標(biāo)同時(shí)實(shí)現(xiàn)聚類學(xué)習(xí)和分類學(xué)習(xí)的一般框架。針對(duì)模式識(shí)別算法中把兩種學(xué)習(xí)分開(kāi)進(jìn)行的缺陷,我們討論了這種同時(shí)實(shí)現(xiàn)兩種學(xué)習(xí)的框架。在算法求解聚類中心的過(guò)程中,我們又用幾種改進(jìn)的PSO算法分別來(lái)代替?zhèn)鹘y(tǒng)的PSO算法以求彌補(bǔ)算法的缺陷。實(shí)驗(yàn)表明,經(jīng)過(guò)改進(jìn)后的算法表現(xiàn)出了良好的聚類魯棒性和分類有效性。
　　(3)設(shè)計(jì)了一個(gè)多目標(biāo)的算法框架,使其可以同時(shí)完成度量學(xué)習(xí)、聚類學(xué)習(xí)和分類學(xué)習(xí)。在這里,我們可以把距離度量的學(xué)習(xí)看成是對(duì)于特征權(quán)值的學(xué)習(xí)過(guò)程