基于QPSO的数据聚类及其在图像分割中的应用

摘要

聚类算法在数据分析，数据挖掘等许多地方有广泛的应用，该文探索了基于量子行为的微粒群优化算法(QPSO)的数据聚类及其在图像分割中的应用。 首先，在分析K-Means聚类、PSO聚类、K-Means和PSO混合聚类(KPSO)的基础上，提出了基于量子行为的微粒群优化算法(QPSO)的数据聚类，并且研究了使用K-Means聚类的结果重新初始化粒子群，结合QPSO算法聚类，即KQPSO，介绍了如何利用上述的算法去找到用户指定的聚类个数的聚类中心，聚类过程是根据数据之间的Euclidean(欧几里得的)距离，K-Means算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上，使用了三个数据集比较了上面提到的五种聚类方法的性能，结果显示了基于QPSO算法的数据聚类的性能比较优越。 其次，研究了基于QPSO的图像颜色分割方法，把图像分割问题看作一个最优化问题并且采用QPSO的进化策略聚类颜色特征空间中的区域，文中给出了三幅图像的分割效果，证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。 在QPSO算法中，收缩一扩张系数对于QPSO中的单个粒子的收敛来说是一个至关重要的参数。在文中使用了适应性机制，对数据聚类使用了适应性的基于量子行为的微粒群优化算法(AQPSO)。 最后，该文使用一种新的距离度量方法进行聚类，实验证明了新的度量方法比Euclidean标准更具有健壮性，聚类的结果更精确。在此基础上使用QPSO算法进行数据聚类和图像分割，实验结果证明了QPSO算法优于PSO算法。QPSO算法不仅参数个数少，随机性强，并且能覆盖所有解空间，保证算法的全局收敛。

目录

文摘

英文文摘

声明

第一章 引言

1.1数据聚类和图像分割的现状

1.2数据聚类和图像分割的研究意义

1.3本文的主要研究内容

第二章 聚类的算法

2.1层次聚类(HLC)

2.2划分聚类

2.3 SOM聚类(Self-organizing Map)

2.4 SOTA聚类(Self-organizing trees)

2.5其他的聚类方法

第三章 QPSO算法在数据聚类中的应用

3.1优化算法

3.2 PSO和K-Means混合聚类-KPSO

3.2.1 K-Means数据聚类

3.2.2 PSO算法

3.3 QPSO聚类

3.3.1 QPSO算法

3.3.2基于量子行为的微粒群优化聚类-QPSO

3.3.3 K-Means和QPSO的混合聚类-KQPSO

3.4仿真实验结果及其结论

第四章 QPSO算法在图像分割中的应用

4.1遗传算法

4.2 QPSO分割图像的完成过程

4.3仿真实验结果和结论

第五章 基于新标准的数据聚类和图像分割

5.1一种新的度量

5.2基于新标准的PSO聚类

5.3基于新标准的QPSO聚类及其在图像分割中的应用

5.4仿真实验结果及其结论

第六章 AQPSO算法在数据聚类中的应用

6.1 AQPSO聚类

6.2仿真实验结果及结论

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文