基于鱼群的K均值聚类算法研究

论文摘要

数据挖掘是近年来很多领域竞相研究的一个热点,而聚类分析是数据挖掘的关键技术之一。聚类分析就是使用聚类算法来发现有意义的聚类,它在没有任何先验知识的前提下,根据数据的相似性将数据聚合成不同的簇,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。K均值聚类算法属于聚类分析算法中一种基本的且应用最广的划分方法,是一种在无类标号数据中发现簇和簇中心的方法。它的主要优点是简洁、快速。如果聚类结果是密集的,而且簇之间区别明显时,它的效果最好。对处理大的数据集,该算法是相对可伸缩的和高效率的。但在实际应用中人们发现,K均值算法可能受初始选定的聚类中心的影响而过早地收敛于次优解。因此本文主要针对K均值算法对初值的依赖易陷入局部极值而达不到全局最优的缺点提出了改进方案。引进一种全新的群智能算法——鱼群算法,该算法对搜索空间有一定的自适应能力,并且多鱼个体并行进行搜索,具有较高的搜索效率,可以使K均值聚类中部分陷入局部极值的点向全局极值处收敛。本文最后,分别对K均值算法和改进的基于鱼群的K均值聚类算法进行了实验。实验结果表明,该算法不仅克服了传统的K均值算法存在的问题,而且有较快的收敛速度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 研究意义及热点
• 1.4 研究内容及论文结构
• 第2章 聚类分析算法
• 2.1 基本的K均值聚类算法
• 2.1.1 K均值算法的思想
• 2.1.2 K均值算法描述
• 2.1.3 K均值算法面临的主要问题
• 2.2 几种改进K均值聚类算法的方法
• 2.2.1 基于标准遗传算法的聚类算法
• 2.2.2 基于模拟退火算法的聚类算法
• 2.2.3 基于无监督神经网络的聚类算法
• 2.2.4 基于粒子群算法的聚类算法
• 2.2.5 基于蚁群算法的聚类算法
• 2.3 本章小结
• 第3章 鱼群算法
• 3.1 群智能算法
• 3.2 基本的鱼群算法
• 3.2.1 算法思想
• 3.2.2 算法描述
• 3.3 本章小结
• 第4章 基于鱼群的K均值聚类算法研究
• 4.1 几种改进 K均值聚类算法的方法分析
• 4.1.1 聚类问题的数学模型
• 4.1.2 对几种方法的分析
• 4.2 基于鱼群的K均值聚类算法
• 4.2.1 基于鱼群行为的改进算法
• 4.2.2 基于鱼群寻食过程的改进算法
• 4.2.3 基于鱼群的具有启发信息的改进算法
• 4.2.4 算法分析
• 4.3 本章小结
• 第5章 实验与分析
• 5.1 基于鱼群的K均值聚类算法的实验与分析
• 5.1.1 实验
• 5.1.2 分析
• 5.2 典型方法与基于鱼群行为的聚类算法的实验与分析
• 5.2.1 实验
• 5.2.2 分析
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢