学位论文 > 优秀研究生学位论文题录展示

K-means聚类优化算法的研究

作　者: 史秀岭
导　师: 姚跃华
学　校: 长沙理工大学
专　业: 通信与信息系统
关键词: 聚类算法初值优化 K-means算法 K-means粗糙聚类算法差分进化算法
分类号: TP311.13
类　型: 硕士论文
年　份: 2011年
下　载: 42次
引　用: 0次
阅　读: 论文下载

内容摘要

聚类是数据挖掘中颇为重要的技术,其功能是按照某种准则将数据划分成组。K-means算法是一种被广泛使用的聚类算法,本文主要对该算法做深入的分析和研究。K-means算法具有简单易行、高效性等优点。但是,该算法具有对初值选择的依赖性和敏感性、易受孤立点影响、易陷入局部最优等缺点。为此,本文提出并设计了两类改进算法,主要工作内容如下:1.针对初值选择依赖性的不足,采用初值优化方法完成聚类。首先采用了一种基于密度、距离和邻域的初始化中心点的方法;然后,将其用于改进标准的K-means算法;接着,进一步结合动态聚类和粗糙聚类的思想,设计了一种K-means粗糙聚类算法。实验结果表明,改进算法在较大程度上弥补了K-means算法的不足,提高了聚类结果的稳定性和有效性。2.针对易陷入局部最优的不足,设计混合算法实现聚类。在分析和研究K-means算法与差分进化算法的特点的基础上,提出了一种基于差分进化算法的K-means聚类算法。该方法将二者有机的结合,充分发挥K-means算法的局部搜索能力和差分进化算法的全局寻优能力。实验结果表明,可以更有效的提高聚类质量。

全文目录

摘要 5-6ABSTRACT 6-9第一章绪论 9-15 1.1 研究背景和意义 9-11 1.2 国内外研究概况 11-13 1.2.1 数据挖掘现状 11-12 1.2.2 聚类研究现状 12-13 1.3 本文工作 13-14 1.4 本文结构 14-15第二章聚类概述 15-30 2.1 聚类 15-16 2.1.1 聚类概念 15-16 2.1.2 聚类过程 16 2.2 聚类相似性度量 16-19 2.2.1 数据结构 16-17 2.2.2 相似性度量方法 17-19 2.3 聚类准则 19-21 2.4 聚类评价 21-23 2.5 聚类方法 23-24 2.5.1 聚类方法 23 2.5.2 常用算法 23-24 2.6 K-means 算法 24-28 2.6.1 算法思想 25 2.6.2 算法流程 25 2.6.3 算法特点 25-28 2.7 聚类应用 28-29 2.8 本章小结 29-30第三章基于初始中心点优化的K-means 粗糙聚类算法 30-46 3.1 K-means 算法对初值的依赖性 30-32 3.2 粗糙K-means 聚类算法 32-34 3.2.1 粗糙集理论 32-33 3.2.2 粗糙K-means 聚类算法 33-34 3.3 基本定义 34-35 3.4 高密度区域选取方法 35-36 3.5 初始中心点优化算法 36-37 3.5.1 算法思想 36 3.5.2 算法流程 36-37 3.5.3 算法分析 37 3.6 基于初始中心点优化的K-means 算法 37 3.7 基于初始中心点优化的K-means 粗糙聚类算法 37-39 3.7.1 基本定义 38 3.7.2 算法描述 38-39 3.7.3 算法分析 39 3.8 仿真实验 39-45 3.8.1 实验设计 40 3.8.2 实验结果与分析 40-45 3.9 本章小结 45-46第四章基于差分进化算法的K-means 聚类算法 46-56 4.1 差分进化算法 46-50 4.1.1 研究背景 46-47 4.1.2 基本思想 47-48 4.1.3 算法特点 48-49 4.1.4 算法研究及应用 49-50 4.2 基于差分进化算法的K-means 聚类算法 50-54 4.2.1 基本思想 50-52 4.2.2 算法流程 52-53 4.2.3 复杂度分析 53-54 4.3 实验结果及分析 54-55 4.4 本章小结 55-56第五章结论与展望 56-58 5.1 结论 56 5.2 展望 56-58参考文献 58-62致谢 62-63附录A （攻读硕士学位期间发表录用论文） 63-64详细摘要 64-70

K-means聚类优化算法的研究

内容摘要

全文目录

相似论文