基于粒子群優(yōu)化的數(shù)據(jù)流挖掘的聚類算法分析.pdf

1、隨著計算機及其應(yīng)用技術(shù)的迅猛發(fā)展，人類獲取數(shù)據(jù)的能力得到很大程度的提高，數(shù)據(jù)流(DataStreams)已成為重要的數(shù)據(jù)來源之一，因此有關(guān)數(shù)據(jù)流的挖掘算法也已成為一個重要的前沿課題。數(shù)據(jù)流聚類是數(shù)據(jù)流挖掘的一個重要的分支，其主要目的是從數(shù)據(jù)流中發(fā)現(xiàn)新的知識模式和隱藏的新規(guī)律。
　　 數(shù)據(jù)流是一個由不斷到達的數(shù)據(jù)所組成的動態(tài)變化增長的數(shù)據(jù)集，要從有限的數(shù)據(jù)處理分析過渡到無限的數(shù)據(jù)處理分析，人們面臨著新的嚴峻的挑戰(zhàn)，需要尋求新的聚類

2、算法。最為經(jīng)典的數(shù)據(jù)流聚類算法是CluStream算法，Clustream算法包括在線聚類部分和離線部分兩部分，本文主要的研究工作是基于兩層模型，對數(shù)據(jù)流的離線部分做優(yōu)化處理。
　　 本文的主要研究工作包括以下幾個方面：
　　 (1)分析了粒子群算法與遺傳算法優(yōu)缺點，并結(jié)合兩者的優(yōu)點，對基于質(zhì)心的K-means算法的聚類中心做優(yōu)化，使得K-means的聚類算法產(chǎn)生更好的聚類效果。實驗數(shù)據(jù)表明：采用基于交換技術(shù)的混合IGA

3、&PSO的聚類算法比單一的K-means算法性能更好。
　　 (2)PSO作為一種智能優(yōu)化算法，有時也會因為早熟而陷入局部最優(yōu)解。為了解決局部最優(yōu)的問題，利用捕食-被捕食的粒子群優(yōu)化(PPPSO)作優(yōu)化，在PPPSO中，捕食者追逐被捕食者的中心，而被捕食者逃離捕食者，這是一種防止局部最優(yōu)者出現(xiàn)且找到全局最優(yōu)者的一種有效的方法。本文提出了一種使用PPPSO來優(yōu)化模糊均值的聚類方法。
　　 (3)在高維數(shù)據(jù)流空間里，為了解決

4、多余特征對數(shù)據(jù)流聚類質(zhì)量的影響，提出了一種基于粒子群與特征選擇的數(shù)據(jù)流聚類算法。此算法具有自動探測、移除多余不重要特征等功能。實驗結(jié)果表示，基于特征選擇的數(shù)掘流聚類算法(DSCFC)，在對有多余特征的數(shù)據(jù)流聚類時，比CluSteam算法更有效，聚類質(zhì)量更好。
　　 (4)在數(shù)據(jù)流挖掘中，要快速地挖掘出數(shù)據(jù)流中的任意有趣模式，如果只利用現(xiàn)有的基于頻繁項集算法直接進行復(fù)雜模式挖掘是困難的。為解決此問題，一種基于頻繁項集的條件模式挖掘