版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、本文以數(shù)據(jù)挖掘算法中的C均值聚類算法為主要研究對象,在分析kmeans和FCM算法流程的基礎(chǔ)上,將粒子群算法用于kmeans算法中,提出基于粒子群的K均值算法,用大量隨機(jī)產(chǎn)生的數(shù)據(jù)和國際標(biāo)準(zhǔn)法分類數(shù)據(jù)中的IRIS數(shù)據(jù)來驗(yàn)證其有效性,并將這種算法與已有的基于遺傳算法的K均值算法進(jìn)行比較,實(shí)驗(yàn)證明本文的粒子群K均值聚類算法在收斂精度和穩(wěn)定性比遺傳K均值聚類算法要好。然后進(jìn)一步把粒子群算法和模糊C均值算法結(jié)合起來,用二階段法實(shí)現(xiàn)了更具有廣泛意
2、義的基于粒子群的模糊C均值算法,并與基于遺傳算法的模糊C均值算法進(jìn)行比較,實(shí)驗(yàn)證明本文提出的基本于粒子群的模糊C均值算法改善了FCM易于陷入局部最小值的問題,而且穩(wěn)定性比基于遺傳算法的模糊C聚類算法要好。本文的研究結(jié)果一定程度上解決了C均值聚類算法易陷入局部最小值和對初始值敏感的問題,提高C均值算法的收斂精度,在數(shù)據(jù)聚類中有很好的應(yīng)用效果。同時(shí)也是粒子群算法的一個(gè)新的嘗試,該研究將對粒子群算法的進(jìn)一步推廣和應(yīng)用有一定的參考價(jià)值,為進(jìn)一
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于改進(jìn)粒子群算法的C-均值聚類算法研究.pdf
- 基于改進(jìn)粒子群的K均值聚類算法研究.pdf
- 融合粒子群和蛙跳算法的模糊C-均值聚類算法研究.pdf
- 基于粒子群算法的模糊聚類研究.pdf
- 一種基于改進(jìn)粒子群和K均值結(jié)合的聚類算法.pdf
- 基于改進(jìn)粒子群優(yōu)化算法的聚類算法研究.pdf
- 基于變異粒子群的聚類算法研究.pdf
- 基于改進(jìn)粒子群優(yōu)化的聚類算法研究.pdf
- 基于粒子群算法的聚類算法及其應(yīng)用研究.pdf
- 基于Spark的模糊c均值聚類算法研究.pdf
- 基于粒子群的粗糙聚類算法分析與研究.pdf
- C-均值聚類算法的改進(jìn)研究.pdf
- 基于免疫遺傳算法和粒子群算法的聚類研究.pdf
- 基于均值漂移聚類和優(yōu)化的粒子濾波跟蹤算法研究.pdf
- 基于中智C-均值聚類的分割算法研究.pdf
- 基于模糊c均值聚類的SAR圖像分割算法研究.pdf
- 基于粒子群和粗糙集的聚類算法研究.pdf
- 基于GA優(yōu)化的核模糊C均值聚類算法的研究.pdf
- 基于粒子群算法的圖像聚類研究與實(shí)現(xiàn)【文獻(xiàn)綜述】
- 基于自適應(yīng)粒子群的k-中心聚類算法研究.pdf
評論
0/150
提交評論