基于屬性權(quán)重的混合聚類算法研究.pdf

1、聚類分析的目標(biāo)是在相似的基礎(chǔ)上收集數(shù)據(jù)進(jìn)行分類，使得各個類之間的數(shù)據(jù)差別應(yīng)盡可能大，類內(nèi)之間的數(shù)據(jù)差別應(yīng)盡可能小，即為算法的選擇取決于數(shù)據(jù)的類型、聚類的目的和應(yīng)用方向。例如k-means、BIRCH、CURE、DBSCAN、COBWEB等，對于相同的數(shù)據(jù)集，使用不同的聚類算法可能有不同的劃分結(jié)果。
　　FCM算法是目前應(yīng)用最為廣泛的聚類算法。研究發(fā)現(xiàn)，傳統(tǒng) FCM算法存在兩個不足：第一，算法從樣本點出發(fā)，通過優(yōu)化目標(biāo)函數(shù)計算各樣本

2、點對于類中心的隸屬度，從而達(dá)到自動分類的目的，如果初始值選擇不當(dāng)就會導(dǎo)致算法收斂到局部極小點；第二，聚類分析處理數(shù)據(jù)樣本的各維屬性貢獻(xiàn)度是不一樣的，F(xiàn)CM算法采用標(biāo)準(zhǔn)的歐式距離進(jìn)行計算忽略了屬性權(quán)重值對聚類結(jié)果的影響。因此從本質(zhì)上來講，F(xiàn)CM算法是一種局部搜索的優(yōu)化算法。
　　基于以上分析，論文提出了基于屬性權(quán)重的混合聚類算法。主要研究內(nèi)容如下:
　　（1）將“粒子演化”策略結(jié)合“粒子分組及重組”引入粒子群算法，得到改進(jìn)的粒

3、子群優(yōu)化算法，為屬性權(quán)重的求取提供了算法基礎(chǔ)。
　　（2）屬性權(quán)重學(xué)習(xí)算法實現(xiàn)：在改進(jìn)的粒子群優(yōu)化算法中，將粒子的位置向量作為屬性權(quán)重向量，選用交叉熵作為屬性權(quán)重評價函數(shù)，利用梯度下降法極小化屬性權(quán)重評價函數(shù)，通過迭代最終得到一組最優(yōu)的屬性權(quán)重值。
　　（3）混合聚類算法實現(xiàn)：將遺傳算法和模擬退火算法相結(jié)合，引入FCM聚類算法，初始聚類中心映射成染色體，目標(biāo)函數(shù)作為遺傳算法的適應(yīng)度函數(shù)，經(jīng)過選擇、交叉和變異，運用 FCM聚類