本文關(guān)鍵詞：基于智能優(yōu)化算法的聚類分析及應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學(xué)技術(shù)的進(jìn)步以及數(shù)據(jù)庫應(yīng)用的普及,數(shù)據(jù)挖掘技術(shù)已經(jīng)成為近年來國際社會在信息決策領(lǐng)域的重要研究方向之一,同時(shí),也是隨著信息技術(shù)不斷發(fā)展而形成的一門新學(xué)科。聚類分析作為一種重要的數(shù)據(jù)分析方法已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域中一個(gè)非常活躍的研究課題。聚類分析的方法有很多,在本文中重點(diǎn)介紹了C-MEANS和模糊C-MEANS(FCM)基于劃分的聚類方法。但是對初始聚類中心的選擇敏感,并且容易陷入局部最優(yōu)是這兩種聚類算法典型的缺點(diǎn)。因而,在本文引入了智能優(yōu)化算法。智能優(yōu)化算法是迅速發(fā)展起來的對已有一些經(jīng)典的聚類算法進(jìn)行優(yōu)化的行之有效的方法。近年來,發(fā)展起來的用于聚類分析的智能優(yōu)化的算法主要有：基于免疫原理的人工免疫算法、基于進(jìn)化的差分進(jìn)化算法、基于螞蟻系統(tǒng)的蟻群算法、基于遺傳學(xué)的遺傳算法和模擬退火算法等智能優(yōu)化計(jì)算方法。這些算法各有特點(diǎn),廣泛用于解決各類聚類問題。本論文主要利用了基于免疫原理的人工免疫算法、把遺傳算法和模擬退火相融合的算法來實(shí)現(xiàn)數(shù)據(jù)聚類并將聚類方法應(yīng)用到圖像壓縮即設(shè)計(jì)矢量量化碼書,通過實(shí)驗(yàn)驗(yàn)證均取得了有效的結(jié)果,主要工作包括以下三個(gè)方面：首先,針對傳統(tǒng)的克隆選擇算法在解決聚類問題中存在著收斂速度慢、聚類效果不佳以及進(jìn)化聚類算法采用單一的聚類指標(biāo)的缺陷等問題。將多目標(biāo)優(yōu)化思想引入到免疫克隆聚類算法中,根據(jù)免疫系統(tǒng)所體現(xiàn)出的局部學(xué)習(xí)生物特征,在算法中設(shè)計(jì)了一種新的局部學(xué)習(xí)算子,并在此基礎(chǔ)上提出了基于局部學(xué)習(xí)算子的人工免疫多目標(biāo)模糊聚類算法。提出的算法在對人工數(shù)據(jù)集和UCI數(shù)據(jù)集聚類的結(jié)果表明,該算法能取得較高的聚類正確率其次,針對遺傳算法的容易陷入早熟以及模擬退火算法收斂速度慢等缺點(diǎn),將模擬退火算法融入到遺傳算法中,提出基于遺傳的模擬退火聚類算法及其在矢量量化碼書設(shè)計(jì)中的應(yīng)用。鑒于基于劃分的染色體實(shí)數(shù)編碼方式的特點(diǎn)以及對染色體的操作細(xì)化為對基因的操作,由此提出了新的有效的模擬退火方法、以及交叉操作算子和突變操作算子。同時(shí),算法中采用核空間距離代替歐氏距離,從而使得提出的聚類算法能處理分布復(fù)雜的數(shù)據(jù)聚類問題。在此基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了用于自然圖像壓縮的模擬退火遺傳核函數(shù)矢量量化算法.實(shí)驗(yàn)結(jié)果表明提出的算法在大部分的數(shù)據(jù)集上都能取得較好的結(jié)果。最后,針對LBG算法對初始碼書較為敏感的缺點(diǎn),將免疫克隆選擇算法引入進(jìn)來。使用分裂法產(chǎn)生初始碼書。又針對基于歐氏距離的相似性度量僅能反映聚類結(jié)果的局部一致性特征,而無法反映聚類的全局一致性的缺點(diǎn),進(jìn)而提出了使用基于流形距離的免疫克隆選擇聚類方法,通過對31組數(shù)據(jù)的聚類以及設(shè)計(jì)實(shí)現(xiàn)用于自然圖像壓縮的基于流形距離的免疫克隆選擇矢量量化碼書設(shè)計(jì)對聚類效果進(jìn)行驗(yàn)證。通過實(shí)驗(yàn)結(jié)果得到了提出的算法相對于其它算法具有良好的性能。
【關(guān)鍵詞】：聚類 局部學(xué)習(xí) 矢量量化 核空間 流行距離
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP311.13;TP18
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 符號對照表12-13
• 縮略語對照表13-17
• 第一章 緒論17-35
• 1.1 聚類分析的研究背景和意義17-20
• 1.1.1 聚類的定義17-18
• 1.1.2 聚類的相似性測度18-20
• 1.1.3 聚類算法20
• 1.2 基于智能優(yōu)化算法的聚類分析的研究進(jìn)展和現(xiàn)狀20-21
• 1.3 矢量量化21-29
• 1.3.1 矢量量化的理論基礎(chǔ)22-23
• 1.3.2 矢量量化的定義和基本原理23-25
• 1.3.3 矢量量化中的關(guān)鍵技術(shù)25-27
• 1.3.4 性能衡量指標(biāo)---失真測度27-29
• 1.4 矢量量化技術(shù)的研究進(jìn)展和現(xiàn)狀29-33
• 1.4.1 LBG(GLA)算法29-31
• 1.4.2 矢量量化碼書設(shè)計(jì)算法的發(fā)展現(xiàn)狀31-33
• 1.5 本文章節(jié)安排以及研究的主要內(nèi)容33-35
• 第二章 基于局部學(xué)習(xí)算子的人工免疫多目標(biāo)聚類算法35-61
• 2.1 模糊C-均值(C-MEANS)聚類算法35-40
• 2.1.1 模糊集合的基本知識35-36
• 2.1.2 C-均值聚類算法36-38
• 2.1.3 模糊C-MEANS聚類算法38-40
• 2.2 人工免疫系統(tǒng)與多目標(biāo)優(yōu)化40-45
• 2.2.1 多目標(biāo)優(yōu)化問題40-42
• 2.2.2 自然免疫系統(tǒng)42-43
• 2.2.3 人工免疫系統(tǒng)(AIS,Artificial Immune System)43-44
• 2.2.4 人工免疫系統(tǒng)與多目標(biāo)優(yōu)化44-45
• 2.3 克隆選擇算法45-50
• 2.3.1 克隆選擇原理45
• 2.3.2 克隆選擇算法45-46
• 2.3.3 抗體編碼和初始抗體群的產(chǎn)生46
• 2.3.4 克隆操作46-50
• 2.4 基于局部學(xué)習(xí)算子的免疫克隆多目標(biāo)聚類算法(LCSA-FCM)50-54
• 2.4.1 抗體編碼的實(shí)現(xiàn)50
• 2.4.2 目標(biāo)函數(shù)的計(jì)算50-51
• 2.4.3 最優(yōu)解的選擇51-52
• 2.4.4 局部學(xué)習(xí)52
• 2.4.5 LCSA-FCM算法步驟52-54
• 2.5 仿真實(shí)驗(yàn)及結(jié)果分析54-60
• 2.5.1 實(shí)驗(yàn)用到的數(shù)據(jù)集54-56
• 2.5.2 算法參數(shù)設(shè)置及實(shí)驗(yàn)結(jié)果56-58
• 2.5.3 算法參數(shù)分析58-60
• 2.6 本章小結(jié)60-61
• 第三章 模擬退火遺傳核空間聚類算法61-89
• 3.1 遺傳算法61-65
• 3.1.1 遺傳算法的基本原理61
• 3.1.2 染色體編碼及初始種群的產(chǎn)生61-62
• 3.1.3 適應(yīng)度函數(shù)62
• 3.1.4 遺傳算子62-64
• 3.1.5 遺傳聚類算法64-65
• 3.2 模擬退火算法65-67
• 3.3 模擬退火遺傳聚類算法67-72
• 3.3.1 初始種群的產(chǎn)生67
• 3.3.2 適應(yīng)度的計(jì)算67-68
• 3.3.3 模擬退火算子68-70
• 3.3.4 交叉操作70-71
• 3.3.5 突變操作71
• 3.3.6 選擇操作71-72
• 3.4 基于遺傳的模擬退火核函數(shù)矢量量化算法72-76
• 3.4.1 Mercer核函數(shù)72-73
• 3.4.2 適應(yīng)度的計(jì)算73-74
• 3.4.3 相應(yīng)的模擬退火算子74-75
• 3.4.4 變異操作75-76
• 3.5 算法框架76-77
• 3.6 實(shí)驗(yàn)結(jié)果及分析77-88
• 3.6.1 數(shù)據(jù)聚類78-85
• 3.6.2 圖像壓縮85-87
• 3.6.3 運(yùn)行時(shí)間比較87-88
• 3.7 本章小結(jié)88-89
• 第四章 基于流形距離的克隆選擇聚類算法89-105
• 4.1 流行距離89-90
• 4.1.1 針對復(fù)雜分布數(shù)據(jù)存在的問題89-90
• 4.1.2 流形距離90
• 4.2 基于流形距離的遺傳碼書設(shè)計(jì)算法90-92
• 4.2.1 適應(yīng)度函數(shù)計(jì)算90-91
• 4.2.2 抗體編碼及初始種群的形成91
• 4.2.3 基于流形距離的遺傳碼書設(shè)計(jì)算法91-92
• 4.3 基于流形距離的克隆選擇碼書設(shè)計(jì)算法92-93
• 4.3.1 適應(yīng)度函數(shù)的計(jì)算92
• 4.3.2 初始抗體群的形成92-93
• 4.3.3 基于流形距離的克隆選擇碼書設(shè)計(jì)算法93
• 4.4 實(shí)驗(yàn)結(jié)果及分析93-103
• 4.4.1 實(shí)驗(yàn)設(shè)置94-95
• 4.4.2 基于CSAMD、GAMD和C-MEANS的數(shù)據(jù)聚類95-100
• 4.4.3 基于CSAMD、GAMD和CMMD的圖像壓縮100-101
• 4.4.4 基于CSAMD、GAMD和LBG碼書應(yīng)用于圖像壓縮101-103
• 4.5 本章小結(jié)103-105
• 第五章 結(jié)論和展望105-107
• 5.1 研究結(jié)論105-106
• 5.2 研究展望106-107
• 參考文獻(xiàn)107-115
• 致謝115-117
• 作者簡介117-119

【參考文獻(xiàn)】

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陸哲明;矢量量化編碼算法及應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2001年

  本文關(guān)鍵詞：基于智能優(yōu)化算法的聚類分析及應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號：453509