量子多目標進貨聚類算法及其應用研究.pdf

1、數(shù)據(jù)挖掘，是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程，并得出時間的趨向和關(guān)聯(lián)，為用戶提供問題求解層次的決策支持能力。當人們使用數(shù)據(jù)挖掘工具對數(shù)據(jù)中的模型和關(guān)系進行辨識的時候，通常第一個步驟就是聚類。所以聚類作為數(shù)據(jù)挖掘的主要方法之一，也越來越引起人們的關(guān)注。迄今為止，人們提出了大量聚類算法。但這些算法僅適用于特定的問題及用戶，而且它們在理論和方法上仍不完善。

2、隨著數(shù)據(jù)規(guī)模越來越大，而先驗知識卻相對缺乏，如何解釋大規(guī)模高維空間包含的數(shù)據(jù)成為一個難題。本論文在多目標進化計算的系統(tǒng)框架下，結(jié)合量子理論，用優(yōu)化的思想來解決聚類問題，提出了量子多目標進化聚類算法，并將其用于人工數(shù)據(jù)聚類、UCI數(shù)據(jù)聚類、紋理圖像分割和遙感圖像分割中。主要研究內(nèi)容如下：
　　 ⑴提出了一種量子多目標進化聚類方法。針對傳統(tǒng)聚類方法僅選取一個目標函數(shù)進行優(yōu)化，獲得的聚類結(jié)果僅對一種分布的數(shù)據(jù)效果優(yōu)越而對其它分布的數(shù)據(jù)

3、效果不理想的缺點。該聚類方法在多目標優(yōu)化的框架下，選取兩個互補的目標函數(shù)，基于量子的高效并行性和量子態(tài)的疊加性，對進化種群采用量子編碼，非支配排序選擇和量子旋轉(zhuǎn)門操作，最終利用一種半監(jiān)督的方法從一組非支配解中選擇一個偏好的最優(yōu)解。實驗表明，該方法不但具有很好的種群多樣性和全局搜索能力，應用到大量不同分布的人工數(shù)據(jù)集和UCI數(shù)據(jù)集上，也獲得了更高的聚類正確率。
　　 ⑵在已有的量子多目標進化聚類算法基礎(chǔ)上，針對圖像分割問題，提出一

4、種基于量子多目標聚類的圖像分割方法。該方法在對輸入的圖像進行特征提取和分水嶺分割獲得聚類數(shù)據(jù)后，先采用量子編碼獲得量子種群，再選取兩個互補的目標函數(shù)評價聚類性能，然后用非支配排序選擇以及量子旋轉(zhuǎn)門進化種群，最后對聚類獲得的一組非支配解解碼獲得類別數(shù)和類別標號，并從這組非支配解中選擇一個最優(yōu)個體，最優(yōu)個體所對應的類別標號作為像素的灰度值，得到圖像分割結(jié)果。解決了現(xiàn)有圖像分割技術(shù)中評價指標單一、細節(jié)保持性能不好等缺點，應用于紋理圖像和遙感圖