基于K密度和變維粒子群的聚類算法研究.pdf

1、“物以類聚，人以群分”，在自然科學和社會科學中存在著大量的聚類問題。聚類分析通過無監(jiān)督的機器學習過程來發(fā)現(xiàn)大量不同數(shù)據(jù)之間隱藏的復雜知識模式，源于數(shù)據(jù)挖掘、機器學習、模式識別和統(tǒng)計學等多個學科。在過去幾十年里，聚類廣泛地應用于計算機科學、生物學以及經(jīng)濟學等多個領域。隨著信息技術的迅速發(fā)展，傳統(tǒng)的聚類方法已經(jīng)很難處理大規(guī)模、復雜結構的數(shù)據(jù)，故一些現(xiàn)代智能化的聚類算法應運而生。其中粒子群優(yōu)化算法在處理大規(guī)模數(shù)據(jù)的聚類問題上獨樹一幟，它的分布

2、性和自組織能力使其具有很強的適應性和魯棒性。然而傳統(tǒng)的粒子群算法難以解決簇的數(shù)量不確定、初始聚類中心選取隨機化、容易陷入早熟陷阱等問題，因此在很大程度上影響了聚類分布的均勻性、分散性以及聚類的效果。
　　為此，本文提出了一種改進的粒子群聚類算法。該算法改進了粒子群的粒子編碼模式以實現(xiàn)可變維粒子，從而解決了聚類數(shù)量在搜索過程中無法變動的問題；改進了初始種群的構造方法，即采用基于參考點的K密度聚類算法構造初始聚類中心，使初始聚類能夠均

3、勻分散地分布在高密度數(shù)據(jù)區(qū)域，解決了初始種群隨機化的問題；在粒子群的迭代過程中，設計了基于維度增量變異算子的維度更新策略，使維度較差的粒子在收斂時能夠盡早地更新其維度以向最優(yōu)維度的粒子移動，從而使得數(shù)據(jù)集可被劃分為聚類數(shù)量最優(yōu)的多個簇；并針對維度較差的粒子，提出了基于K密度的分裂合并簇方法進行粒子變異，以使聚類中心仍然位于數(shù)據(jù)空間的高密度區(qū)域，從而解決了傳統(tǒng)粒子群聚類算法的聚類分布不均勻，難以得到最優(yōu)聚類數(shù)量的簇，聚類效果不夠好等問題。