数据挖掘中基于遗传算法的聚类方法应用研究

论文摘要

近年来数据挖掘引起了信息产业界的广泛关注,其主要原因是存在大量的可用数据,并且迫切需要将这些数据转换成有用的信息和知识。通过数据挖掘,可以将知识发现的研究成果应用于实际数据处理中,为科学决策提供支持。聚类分析是数据挖掘的一项基本任务,是一个无监督的学习过程,聚类的目标是在没有任何先验知识的前提下,将数据聚集成不同的簇,使得相同簇中的元素尽可能相似,不同簇中的元素差别尽可能大。通过聚类,人们能够识别密集的和稀疏的区域,因而发现全局的分布模式,以及数据属性之间有趣的相互关系。在数据挖掘中,聚类分析也是一种很长用的技术。而聚类技术中K-means聚类分析技术又是最常用的方法。但K-means算法在实际应用中需要用户给出要聚类的数目即k的值,另外,K-means算法在运行时要首先随机产生一个初始聚类中心,然后再对使用这个初始聚类中心得到的聚类结果进行不断调整,而这个聚类结果在很大程度上受初始聚类中心选取的影响。为了消除K-means聚类算法对于用户输入k值的依赖,也为了减小K-means聚类算法受初始聚类中心的影响,本文引入了遗传算法。本文的主要工作包括:①介绍分析了聚类算法以及遗传算法。介绍了数据挖掘的相关概念、任务、方法,然后介绍了聚类分析的概念、常见算法以及遗传算法的基本概念、研究现状等,并进行了相应的分析。②结合遗传算法和K-均值算法的优点,提出一种基于遗传算法的k-means聚类算法,并在该算法的基础上提出了改进的遗传聚类算法,该算法根据聚类实际情况采用可变长实数表示聚类中心,并设计新的交叉变异算子以及采用广泛使用的聚类有效性指标DB-Index作为目标函数,不仅较好地解决了K-均值聚类算法中聚类数目难以确定、对初始值敏感及易陷入局部最优等缺陷,而且算法效率及算法的精度较之以往算法有较大提高。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题背景与意义
• 1.1.1 数据挖掘技术的产生及研究现状
• 1.1.2 数据挖掘中的聚类
• 1.1.3 遗传算法与数据挖掘
• 1.2 研究目标及主要内容
• 1.3 本文内容的组织和结构
• 2 数据挖掘技术概述
• 2.1 引言
• 2.2 数据挖掘的定义
• 2.3 数据挖掘的过程
• 2.3.1 数据取样（Sample）
• 2.3.2 数据探索（Explore）
• 2.3.3 数据调整（Modify）
• 2.3.4 数据分析（Analysis）
• 2.3.5 结果评价（Assess）
• 2.4 数据挖掘的目的和分析方法
• 2.5 数据挖掘的方法和技术
• 2.6 数据挖掘的应用领域及发展趋势
• 2.6.1 应用领域
• 2.6.2 数据挖掘的发展趋势
• 2.7 本章小结
• 3 数据聚类及聚类技术
• 3.1 引言
• 3.2 聚类的定义
• 3.3 相似度度量
• 3.3.1 定义距离的方法
• 3.3.2 定义相似度的方法
• 3.4 聚类准则函数
• 3.5 聚类方法的分类及典型算法
• 3.5.1 基于划分的方法
• 3.5.2 基于层次的方法
• 3.5.3 基于密度的方法
• 3.5.4 基于网格的方法
• 3.5.5 基于模型的方法
• 3.5.6 几种常用算法的性能比较
• 3.6 聚类挖掘技术的应用及研究方向
• 3.7 本章小节
• 4 遗传算法的基本原理及方法
• 4.1 引言
• 4.2 遗传算法基础
• 4.2.1 遗传算法的产生及发展
• 4.2.2 遗传算法的基本思想和术语
• 4.2.3 遗传算法的基本特点
• 4.3 遗传算法的基本要素
• 4.3.1 染色体编码方法
• 4.3.2 适应度函数
• 4.3.3 遗传算子
• 4.3.4 控制参数选择
• 4.4 应用流程及算法
• 4.4.1 遗传算法的应用流程
• 4.4.2 遗传算法的算法描述
• 4.5 本章小结
• 5 基于遗传算法的聚类挖掘应用与实例
• 5.1 引言
• 5.2 聚类分析中引入遗传算法的意义
• 5.3 基于遗传算法的K 均值聚类算法
• 5.3.1 染色体编码
• 5.3.2 初始群体的产生
• 5.3.3 适应度函数的选取
• 5.3.4 遗传算子
• 5.3.5 K 均值操作
• 5.3.6 循环终止条件
• 5.3.7 算法的设计
• 5.4 改进的遗传聚类算法
• 5.4.1 染色体描述和种群初始化
• 5.4.2 适应度函数
• 5.4.3 交叉算子
• 5.4.4 变异算子
• 5.4.5 算法流程
• 5.5 实验结果与分析
• 5.5.1 测试数据集描述
• 5.5.2 算法测试
• 5.6 应用实例
• 5.6.1 数据的预处理
• 5.6.2 系统功能
• 5.6.3 算法实现
• 5.7 本章小结
• 6 结论
• 6.1 论文的主要工作
• 6.2 进一步努力的方向
• 致谢
• 参考文献
• 附录