基于流形距離和蜂群的聚類算法研究.pdf

1、現(xiàn)在的生活在數(shù)據(jù)時代，數(shù)據(jù)已經處在身邊的每一處，且以爆炸式的的方式在增長，甚至已無法計算，那么如何從這么多數(shù)據(jù)中獲取所需要的潛在有用得到知識，來幫住人們做出準確的判斷，此時就有必要來挖掘這些數(shù)據(jù)。在數(shù)據(jù)挖掘中，比較重要的一種數(shù)據(jù)分析方式是聚類算法，其在研究領域十分受到研究者的青睞，但還是存在一些缺陷，這就需要更進一步的改進算法來彌補這些不足，且對解決社會實踐中遇到的難點也具有非比尋常的價值。
　　本文主要以傳統(tǒng)聚類算法中的相似度測

2、度為基礎，探討了以歐氏距離作為相似度測度對一些特殊數(shù)據(jù)集聚類時的不足，主要討論了現(xiàn)已提出的基于流形距離為相似度測度對特殊數(shù)據(jù)集聚類的優(yōu)勢，當然也存在缺陷，在這里就更進一步研究了粗糙集、蜂群算法等的實質，并在此基礎上作改進然后與改進的流形距離相結合，以改善原來算法的性能。主要工作如下:
　　(1)針對K-means算法的初始聚類中心隨機選取，將流形距離作為相似度測度時其參數(shù)在表現(xiàn)數(shù)據(jù)集的全局一致性方面有缺陷等問題，本文引入粒計算理論

3、中的知識，對數(shù)據(jù)集的屬性進行劃分，隨后根據(jù)最大最小距離的方法選取代表點;然后再利用流形距離及準則函數(shù)得到最佳的初始中心并得到最終聚類結果。實驗結果表明:該算法在運行時間上減少了并在數(shù)據(jù)的全局一致性上得到了很好的體現(xiàn)。
　　(2)現(xiàn)在提出的以流形距離為相似度測度的聚類算法主要是針對具有“絕對流形”分布特點的數(shù)據(jù)集聚類，沒有考慮到這種分布為“相對流形”的數(shù)據(jù)集，于是本文根據(jù)粗糙集的特點，首先對數(shù)據(jù)集的屬性進行劃分然后根據(jù)最大最小距離來