基于點對稱距離的聚類算法及其應(yīng)用.pdf

1、聚類分析是多元統(tǒng)計分析的一種，也是非監(jiān)督模式識別的一個重要分支。它把一個沒有類別標(biāo)記的樣本集按某種準(zhǔn)則劃分成若干個子集，使相似的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中。許多實際應(yīng)用中，可以將屬于同類的數(shù)據(jù)樣本作為一個整體來處理。目前，聚類分析已經(jīng)廣泛應(yīng)用于圖像分割、模式識別、機器視覺等領(lǐng)域。
　　 聚類分析中，最基本的問題便是樣本間相似性的度量，經(jīng)典的聚類算法中，普遍采用歐氏距離作為相似性度量。這種相似性度量，對

2、形狀為凸的數(shù)據(jù)集的聚類具有良好的性能。然而，對于一些具有點對稱性的，交叉的，重疊的數(shù)據(jù)集，歐氏距離的效果較差。由于聚類問題的復(fù)雜性，對于這種問題，現(xiàn)在還沒有完全的解決辦法。針對具有中心對稱性形狀的數(shù)據(jù)的聚類問題，本文基于克隆選擇原理，提出三種改進的基于點對稱距離的克隆選擇聚類算法。主要包括：
　　 (1)基于克隆選擇原理及點對稱距離提出了基于點對稱距離克隆選擇聚類算法(Point Symmetry-based Clonal Se

3、lection Clustering Algorithm，PSCSCA)。該算法不但利用克隆算子能將全局搜索和局部搜索有機結(jié)合的特性，而且通過在經(jīng)典的克隆選擇算法框架中，引入免疫疫苗算子實現(xiàn)了在線自適應(yīng)動態(tài)獲得先驗知識和個體間的信息共享，提高算法多樣性和加快收斂速度。同時算法通過對基于點對稱距離的親合度函數(shù)的優(yōu)化，實現(xiàn)對具有中心對稱的數(shù)據(jù)的有效聚類。
　　 (2)基于拉馬克學(xué)習(xí)機制以及克隆選擇原理，提出了克隆選擇自動聚類算法(C

4、lonal Selection Automatic Clustering Algorithm，CSACA)。通過引入拉馬克學(xué)習(xí)算子來改進現(xiàn)有克隆選擇算法的局部搜索能力。針對具有中心對稱性的數(shù)據(jù)集的自動聚類問題，利用改進的克隆選擇算法對基于點對稱距離的聚類有效性評價函數(shù)的優(yōu)化在實現(xiàn)獲得數(shù)據(jù)最優(yōu)類別數(shù)的判別同時獲得最優(yōu)劃分。
　　 (3)基于量子并行機制以及克隆選擇算法，提出了基于點對稱距離的量子克隆選擇聚類算法(Point Sym