结合蚁群算法的调和k均值聚类算法研究

摘要

数据挖掘是从大量的、不完全的、有噪音的、随机的数据中获取潜在的、有用的信息和知识的过程。聚类分析是数据挖掘重要的组成部分,它是一种无监督的学习方法,不需要关于数据集的先验知识。聚类算法就是根据事物之间的某些属性,把事物聚集成类,使得不同类中的事物尽可能的相异,而同一类中的事物尽可能的相似。聚类分析已经被广泛地应用于生活中的各个领域。
　　 K均值聚类是典型的划分聚类,它因为实现简单,效率高而被广泛的应用,但该算法存在着需要事先给定簇个数、对初始中心点选择的依赖性和容易陷入局部最优解等问题。调和K均值算法(KHM)虽然有效减小了对初始中心点选择的依赖性,但它仍需要事先给定簇个数且容易陷入局部最优结果。针对以上问题,本文提出新算法结合蚁群算法的调和K均值算法(ACAKHM),引入了蚁群算法,蚁群算法的特点是可自主聚类,不需要给定簇个数,且它是全局寻优的启发式随机搜索算法,有较强的鲁棒性,易于与其他算法相结合。
　　 新算法充分利用了蚁群算法和调和K均值聚类算法的优点,先通过蚁群算法对数据集进行初步聚类,得到簇个数及初始聚类结果,再将蚁群算法得到的初始聚类簇中心点作为调和K均值聚类的初始中心点,选择较优的初始值,以达到获得较优聚类结果的目的。实验证明新算法有效解决了调和K均值算法中簇个数需事先给定及聚类算法容易陷入局部最优的问题。

目录

文摘

英文文摘

第一章 绪论

1.1 研究目的及意义

1.2 国内外的研究现状

1.3 本文的主要内容

第二章 数据挖掘及聚类分析概述

2.1 数据挖掘概述

2.2 数据挖掘任务

2.3 聚类分析

2.4 聚类分析的主要算法

第三章 蚁群算法的基本原理

3.1 蚁群算法概述

3.2 基于蚁群觅食原理的蚁群算法

3.3 基于蚁堆形成原理的蚁群算法

第四章 结合ACA算法和KHM算法的新算法

4.1 调和K均值聚类

4.2 结合蚁群方法和调和K均值聚类算法的新算法

4.3 实验结果及分析

第五章 结束语

参考文献

致谢

在学期间公开发表著作和论文情况