基于粒子群优化的软子空间聚类算法

摘要

子空间聚类方法作为数据挖掘中的重要内容，在高维数据集的处理过程、数据点之间的相似度以及聚类效果中有着重要的影响。它们在文本分析、机器学习、生物分析等领域都有众多的应用。同时，子空间与较好的优化算法相结合会使得聚类效果更加准确，避免了聚类算法局部收敛的现象，对初值敏感的问题。
　　目标函数和子空间搜索策略决定软子空间聚类算法的性能，而聚类有效性分析是衡量其性能的主要指标。本文针对子空间聚类性能，提出一种基于粒子群优化算法的软子空间聚类算法SC-ωSPO。首先，提出三种K均值聚类算法框架。然后，利用第三种K均值类型框架，结合类间分散度和特征权重，提出新的模糊加权软子空间聚类目标函数。其次，为了跳出局部最优，将带惯性权重的粒子群算法作为子空间的搜索策略。最后，根据提出的新聚类有效性函数，选取最佳聚类数目。通过在数据集上的实验，证实了SC-ωPSO算法能够提高聚类准确度的同时，自动确定最佳聚类数目。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究成果

1．2．1 研究现状

1．2．2 发展趋势

1．3 工作内容及创新点

1．4 论文结构

2 子空间聚类相关技术研究

2．1 基础聚类算法与演变的聚类算法

2．1．1 基础聚类算法

2．1．2 演变的聚类算法

2．2 子空间聚类算法

2．2．1 搜索策略的子空间聚类算法

2．2．2 特征加权的子空间聚类算法

2．3 智能优化算法

2．3．1 基本原理

2．3．2 演化计算优化算法

2．3．3 确定簇数的方法

2．4 本章小结

3 基于K均值聚类算法的框架类型

3．1 基于传统K均值聚类算法

3．2 权重向量K均值类型聚类算法

3．3 软子空间聚类算法

3．4 K均值聚类框架的收敛性

3．5 本章小结

4 基于粒子群优化的软子空间聚类算法

4．1 子空间聚类目标函数

4．2 自适应粒子群算法优化子空间

4．3 确定聚类数目算法

4．4 本章小结

5 算法实现与分析

5．1 实验环境

5．2 性能指标

5．3 算法实现

5．3．1 子空间算法实现

5．3．2 子空间优化算法实现

5．4 实验结果分析

5．4．1 人造数据集

5．4．2 UCI数据集

结论

参考文献

附录

作者简历

学位论文数据集