在21世紀的信息時代,各種媒介涌現(xiàn)大量的數(shù)據(jù)。通常情況下,人們難以直接獲取隱藏在這些數(shù)據(jù)背后的潛在信息,因此,需要更加有效的方法挖掘這些數(shù)據(jù)的價值。聚類分析是一種重要的數(shù)據(jù)挖掘方法,它涉及經(jīng)濟學、人工智能、圖像識別以及生物工程等許多領域,成為當下研究熱點之一。蟻群聚類算法(Ant Colony Clustering Algorithm,ACCA)是一種仿生智能聚類算法,與傳統(tǒng)聚類方法相比,該算法具有蟻群優(yōu)良的分布并行計算性、正反饋、自組織性等特點,但同時也存在以下缺陷:該算法搜索初期收斂速度較慢,使得算法運行所需時間加長;螞蟻的轉移以信息素的多少為依據(jù),算法后期易于陷入局部最優(yōu);信息素更新缺乏時效性;聚類質量不理想等。本文主要針對ACCA算法的上述不足之處提出兩種改進。針對ACCA算法前期收斂速度較慢,后期易于陷入局部最優(yōu)的問題,提出一種局部改進的K均值蟻群聚類算法。首先使用K-means算法預處理數(shù)據(jù)集,快速得到距離矩陣,將得到的距離矩陣作為蟻群聚類算法初始化信息素矩陣的依據(jù);其次在每只螞蟻迭代過程中,對其得到的聚類中心引入隨機擾動變量,生成若干個局部搜索元作為新的聚類中心,然后對數(shù)...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題的背景及意義
    1.2 國內外研究進展
        1.2.1 蟻群算法的研究進展
        1.2.2 蟻群聚類算法的研究進展
    1.3 論文主要內容及框架
2 相關知識簡介
    2.1 數(shù)據(jù)挖掘技術簡介
        2.1.1 數(shù)據(jù)挖掘定義及過程
        2.1.2 常用的數(shù)據(jù)挖掘方法
    2.2 聚類分析知識簡介
        2.2.1 聚類概念及聚類過程
        2.2.2 數(shù)據(jù)規(guī)范化
        2.2.3 相似性及其度量
        2.2.4 常用的聚類算法
        2.2.5 聚類的有效性指標
    2.3 小結
3 蟻群聚類算法
    3.1 蟻群算法概述
    3.2 基于蟻群覓食行為的聚類算法
        3.2.1 ACCA算法的基本原理
        3.2.2 ACCA算法步驟及流程圖
        3.2.3 ACCA算法性能分析
    3.3 小結
4 一種局部改進的K均值蟻群聚類算法
    4.1 K均值與ACCA算法結合
    4.2 一種局部改進的K均值蟻群聚類算法
        4.2.1 改進思想
        4.2.2 算法實現(xiàn)步驟
    4.3 算法仿真實驗
        4.3.1 數(shù)據(jù)集簡介
        4.3.2 仿真實驗
    4.4 小結
5 兩階段蟻群聚類算法
    5.1 改進思想
    5.2 算法步驟及流程圖
    5.3 算法仿真實驗
    5.4 小結
6 改進算法的應用
    6.1 改進算法在圖像處理中的應用
        6.1.1 圖像分割的定義
        6.1.2 基于改進聚類算法的圖像分割步驟
        6.1.3 圖像仿真實驗
    6.2 改進算法在各省份經(jīng)濟實力劃分中的應用
        6.2.1 背景介紹
        6.2.2 中國各省份經(jīng)濟實力劃分指標的選取與數(shù)據(jù)處理
        6.2.3 實驗結果
        6.2.4 實際意義
    6.3 小結
結論
致謝
參考文獻
附錄A 各省份據(jù)各項指標單獨排序結果
攻讀學位期間的研究成果



本文編號：3741865