基于QPSO的數(shù)據(jù)聚類及其在圖像分割中的應(yīng)用.pdf

1、聚類算法在數(shù)據(jù)分析，數(shù)據(jù)挖掘等許多地方有廣泛的應(yīng)用，該文探索了基于量子行為的微粒群優(yōu)化算法(QPSO)的數(shù)據(jù)聚類及其在圖像分割中的應(yīng)用。 首先，在分析K-Means聚類、PSO聚類、K-Means和PSO混合聚類(KPSO)的基礎(chǔ)上，提出了基于量子行為的微粒群優(yōu)化算法(QPSO)的數(shù)據(jù)聚類，并且研究了使用K-Means聚類的結(jié)果重新初始化粒子群，結(jié)合QPSO算法聚類，即KQPSO，介紹了如何利用上述的算法去找到用戶指定的聚類個數(shù)

2、的聚類中心，聚類過程是根據(jù)數(shù)據(jù)之間的Euclidean(歐幾里得的)距離，K-Means算法、PSO算法和QPSO算法的不同在于聚類中心向量的“進化”上，使用了三個數(shù)據(jù)集比較了上面提到的五種聚類方法的性能，結(jié)果顯示了基于QPSO算法的數(shù)據(jù)聚類的性能比較優(yōu)越。 其次，研究了基于QPSO的圖像顏色分割方法，把圖像分割問題看作一個最優(yōu)化問題并且采用QPSO的進化策略聚類顏色特征空間中的區(qū)域，文中給出了三幅圖像的分割效果，證明了QPSO

3、算法在自動的和無監(jiān)督的顏色分割上具有很好的效能。 在QPSO算法中，收縮一擴張系數(shù)對于QPSO中的單個粒子的收斂來說是一個至關(guān)重要的參數(shù)。在文中使用了適應(yīng)性機制，對數(shù)據(jù)聚類使用了適應(yīng)性的基于量子行為的微粒群優(yōu)化算法(AQPSO)。 最后，該文使用一種新的距離度量方法進行聚類，實驗證明了新的度量方法比Euclidean標準更具有健壯性，聚類的結(jié)果更精確。在此基礎(chǔ)上使用QPSO算法進行數(shù)據(jù)聚類和圖像分割，實驗結(jié)果證明了QPS