学位论文 > 优秀研究生学位论文题录展示

基于群体智能的聚类算法研究

作　者: 刘琼
导　师: 罗可
学　校: 长沙理工大学
专　业: 计算机应用技术
关键词: 数据挖掘 聚类分析 群体智能 蚁群优化算法 粒子群优化算法
分类号: TP18
类　型: 硕士论文
年　份: 2010年
下　载: 98次
引　用: 1次
阅　读: 论文下载
 

内容摘要


数据挖掘是目前数据库和信息处理技术领域的前沿研究课题,被公认为是最具发展前景的关键技术之一。数据挖掘汇集了机器学习、数据库、模式识别、人工智能和统计学等学科的内容,是一门新兴的交叉学科。聚类分析是数据挖掘技术中的一个重要研究课题,是一种用于数据划分或分组处理的重要手段。聚类分析作为数据挖掘系统中的一个模块,既可以成为一个单独的工具以发现数据库中数据分布的深层信息,也可以作为其他数据挖掘算法的一个预处理步骤。因此,研究如何提高聚类算法的性能具有重要的意义。群体智能利用群体优势,在没有集中控制,不提供全局模型的前提下,为寻找复杂问题解决方案提供了新的思路,是“简单智能体通过合作表现出智能行为的特性”。作为群体智能的典型实现模式,模拟生物蚁群智能寻优的蚁群算法和模拟鸟群运动模式的粒子群优化算法正在受到学术界的广泛关注。本文的主要研究工作包括以下几个方面：(1)分析了聚类的定义及其数据类型,研究了聚类分析中的主要算法。(2)研究了群体智能的基本概念、原理和主要应用等。(3)分析了基本蚁群算法和LF聚类分析模型的基本原理及其优缺点,针对LF模型中一些不足,提出了一些改进方法,其中包括群体相似度和概率转换函数的定义,参数的自适应调整等。通过实验证明,改进算法较好地解决了收敛速度和聚类质量之间的矛盾。(4)分析了基本粒子群优化算法的基本原理及其研究现状,提出了一种带变异操作的粒子群聚类算法,该算法解决了基本粒子群算法当中存在的早熟收敛和收敛较慢的问题,实验结果表明,算法具有很好的全局收敛性和较快的收敛速度。

全文目录


摘要  5-6
ABSTRACT  6-10
第一章 绪论  10-15
  1.1 研究的背景和意义  10-11
  1.2 数据挖掘概述  11-12
    1.2.1 数据挖掘的发展背景  11
    1.2.2 数据挖掘的研究现状  11-12
  1.3 聚类分析在数据挖掘中的应用  12
  1.4 聚类分析的研究现状  12-13
  1.5 本文的主要内容及组织结构  13-15
    1.5.1 本文的主要内容  13
    1.5.2 本文的结构  13-15
第二章 聚类分析  15-22
  2.1 聚类概述  15
  2.2 聚类面临的挑战  15-16
  2.3 聚类分析中的数据结构和数据类型  16-19
    2.3.1 聚类分析中的数据结构  16-17
    2.3.2 聚类分析中的数据类型  17-19
  2.4 聚类分析中的主要算法  19-21
    2.4.1 划分方法  19-20
    2.4.2 层次方法  20
    2.4.3 基于密度的方法  20
    2.4.4 基于模型的方法  20-21
    2.4.5 基于网格的方法  21
    2.4.6 聚类算法比较  21
  2.5 本章小结  21-22
第三章 群体智能  22-26
  3.1 群体智能的概念和特点  22
    3.1.1 群体智能的概念  22
    3.1.2 群体智能的特点  22
  3.2 群体智能的两种模式  22-25
    3.2.1 蚁群优化算法  23-24
    3.2.2 蚁群聚类算法  24
    3.2.3 粒子群优化算法  24-25
  3.3 本章小结  25-26
第四章 基于蚁群算法的聚类分析研究  26-35
  4.1 基本蚁群算法  26-27
    4.1.1 基本蚁群算法的机制原理  26-27
    4.1.2 基本蚁群算法的优点和不足之处  27
    4.1.3 蚁群算法的改进  27
  4.2 基本蚁群聚类模型  27-28
  4.3 LF聚类分析模型  28-31
  4.4 改进的基本蚁群聚类算法  31-34
    4.4.1 群体相似度的改进  31
    4.4.2 概率转换函数的改进  31-32
    4.4.3 规则设定  32
    4.4.4 差异性比例因子α的自适应调整  32-33
    4.4.5 算法描述  33
    4.4.6 实验分析  33-34
  4.5 本章小结  34-35
第五章 基于粒子群算法的聚类分析研究  35-44
  5.1 基本粒子群优化算法  35-37
    5.1.1 算法原理  35-36
    5.1.2 算法参数  36
    5.1.3 算法步骤  36-37
    5.1.4 PSO的研究现状  37
  5.2 带变异操作的粒子群聚类算法模型设计  37-41
    5.2.1 聚类准则函数的选择  37-39
    5.2.2 编码方案  39
    5.2.3 适应度函数设计  39
    5.2.4 权重的非线性变化  39-40
    5.2.5 粒子的变异操作  40-41
  5.3 算法描述  41-42
  5.4 实验分析  42-43
  5.5 本章小结  43-44
第六章 结论与展望  44-45
  6.1 结论  44
  6.2 展望  44-45
参考文献  45-50
致谢  50-51
附录 (攻读硕士学位期间发表录用论文)  51

相似论文

  1. 牡丹EST-SSR引物开发及其亲缘关系分析,S685.11
  2. 高血压前期证候特征研究,R259
  3. 基于数据挖掘技术的保健品营销研究,F426.72
  4. 高忠英学术思想与经验总结及运用补肺汤加减治疗呼吸系统常见病用药规律研究,R249.2
  5. 张炳厚学术思想与临床经验总结及应用地龟汤类方治疗慢性肾脏病的经验研究,R249.2
  6. 大学生综合素质测评研究,G645.5
  7. 大豆品种对腐竹品质的影响及其品质评价体系的初步构建,TS214.2
  8. 21个荷花品种遗传多样性的ISSR分析,S682.32
  9. 改进的蚁群算法及其在TSP上的应用研究,TP301.6
  10. 基于聚类分析的P2P流量识别算法的研究,TP393.02
  11. 桃杂交后代（F1）幼苗光合效能评价,S662.1
  12. 南通市农业面源污染负荷研究与综合评价,X592
  13. 土壤环境功能区划研究,X321
  14. 基因表达谱数据聚类分析方法比较与大豆疫霉基因的网络构建,S435.651
  15. 大豆杂种优势及其遗传基础研究,S565.1
  16. 象草自交后代无性系的饲用价值及生物质能特性初步评价,S543.9
  17. Bicluster数据分析软件设计与实现,TP311.52
  18. 基于变异粒子群的聚类算法研究,TP18
  19. 融合粒子群和蛙跳算法的模糊C-均值聚类算法研究,TP18
  20. 基于遗传算法和粗糙集的聚类算法研究,TP18
  21. 基于同化能力杂种优势早期评价的桃光合特性研究,S662.1

中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com