融合粒子群和蛙跳算法的模糊C-均值聚类算法研究

论文摘要

随着数据库技术的飞速发展,数据以惊人的速度膨胀,面多如此海量的数据,为了从中提取有效的信息,数据挖掘技术孕育而生。聚类分析是数据挖掘的一个重要部分,聚类分析就是把数据对象集合中的不同数据对象划分成不同的类的过程,同一个类里的数据对象彼此相似,不同的类之间数据对象彼此相异。聚类分析中的有许多复杂组合的优化问题,智能优化算法能为之提供有效的帮助。本文深入研究了群智能算法中混合蛙跳算法和粒子群算法与聚类分析中模糊C-均值聚类算法,并将三者融合在一起。主要工作包括:（1）深入分析了混合蛙跳算法的求解过程、参数设定和优缺点,针对算法易陷入局部最优的问题,引进了混沌映射系统和高斯分布改进了算法中的更新步骤。通过实验仿真,验证算法的可行性,并做了相关分析。（2）研究了粒子群算法的特点,为克服模糊C-均值聚类算法的不足,通过设计一个参数,有机地将改进的混合蛙跳算法和粒子群算法融合到模糊C-均值聚类算法中。使算法能够较好地跳出局部最优解,收敛于全局最优,同时也保证了收敛速度。最后通过实验仿真,验证了算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题的背景与意义
• 1.2 数据挖掘技术概述
• 1.3 智能优化算法概述
• 1.4 本文的研究内容和结构安排
• 1.4.1 本文的研究内容
• 1.4.2 本文的结构安排
• 第二章 聚类分析
• 2.1 聚类分析概述
• 2.2 聚类分析中的数据类型
• 2.3 聚类分析中的数据结构
• 2.4 聚类的要求与准则
• 2.4.1 聚类要求
• 2.4.2 聚类准则
• 2.5 主要的聚类方法
• 2.5.1 基于划分的方法
• 2.5.2 基于层次的方法
• 2.5.3 基于密度的方法
• 2.5.4 基于网格的方法
• 2.5.5 基于模型的方法
• 2.6 本章小结
• 第三章 基于混沌映射与高斯变异的混合蛙跳算法
• 3.1 混合蛙跳算法背景及研究现状
• 3.1.1 Memetic 算法
• 3.2 混合蛙跳算法理论基础
• 3.3 混合蛙跳算法求解过程
• 3.4 混合蛙跳算法的参数
• 3.5 混合蛙跳算法的优缺点
• 3.6 混沌映射系统
• 3.7 高斯分布
• 3.8 改进的混合蛙跳算法
• 3.8.1 改进的混合蛙跳算法基本思想
• 3.8.2 改进算法描述
• 3.9 仿真实验
• 3.10 本章小结
• 第四章 融合粒子群和蛙跳算法的模糊 C-均值聚类算法
• 4.1 模糊C-均值聚类算法
• 4.1.1 模糊C-均值聚类算法的简介
• 4.1.2 模糊C 均值聚类算法求解过程
• 4.1.3 模糊C-均值聚类算法的参数设定
• 4.1.4 模糊C-均值聚类算法的优缺点
• 4.2 粒子群算法
• 4.2.1 粒子群算法的研究背景
• 4.2.2 粒子群算法理论基础
• 4.2.3 粒子群算法描述
• 4.2.4 标准粒子群算法参数设定
• 4.2.5 标准的粒子群算法的迭代步骤
• 4.3 算法设计
• 4.3.1 算法的基本思想
• 4.3.2 改进算法的基本流程
• 4.3.3 算法描述
• 4.3.4 算法时间复杂度分析
• 4.4 仿真实验
• 4.4.1 利用UCI 数据库的Iris 数据集检查改进算法的聚类效果
• 4.4.2 利用UCI 数据库的Wine 数据集检查改进算法的聚类效果
• 4.4.3 利用二维随机产生的分布数的数据检验改进算法聚类效果
• 4.4.4 实验分析与结论
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 附录 （攻读硕士学位期间发表录用论文）
• 摘要
• Abstract