检索结果-内蒙古大学图书馆

计算机工程与设计 2013年第5期34卷 1691-1694,1699页

作者：张靖段富太原理工大学计算机科学与技术学院山西太原030024

传统k-means算法随机选取初始聚类中心使聚类结果不稳定,诸多优化算法的时间复杂度较高,为了提高聚类稳定性并降低时间复杂度,提出了基于个体轮廓系数自适应地选取优秀样本以确定初始聚类中心的改进k-means算法。该算法多次调用传统k-me... 详细信息

传统k-means算法随机选取初始聚类中心使聚类结果不稳定,诸多优化算法的时间复杂度较高,为了提高聚类稳定性并降低时间复杂度,提出了基于个体轮廓系数自适应地选取优秀样本以确定初始聚类中心的改进k-means算法。该算法多次调用传统k-means算法聚类,根据k个类中心的个体轮廓系数以及各样本与类中心的距离,自适应地选取优秀样本,求其均值作为初始聚类中心。在多个UCI数据集上的实验表明,该算法聚类时间短,具有较高的轮廓系数和准确率。

关键词：聚类 k均值算法初始聚类中心个体轮廓系数自适应

来源：评论

学校读者我要写书评

暂无评论

模糊排序最小最大神经网络的构造与应用

模糊排序最小最大神经网络的构造与应用

引用

作者：薛玲丽天津理工大学

学位级别：硕士

模糊神经网络结合了模糊逻辑和神经网络的优点,在模式识别、控制、医学等领域都取得了较大的成功。模糊最小最大神经网络作为一种经典的模糊神经网络,具有较强的分类性能和在线学习的能力,但其仍存在以下两方面局限性:（1）网络的分类... 详细信息

模糊神经网络结合了模糊逻辑和神经网络的优点,在模式识别、控制、医学等领域都取得了较大的成功。模糊最小最大神经网络作为一种经典的模糊神经网络,具有较强的分类性能和在线学习的能力,但其仍存在以下两方面局限性:（1）网络的分类性能受到训练集模式的输入顺序、隶属度函数以及重叠区域的处理方式的影响;（2）其扩展规则可能导致网络中重叠区域增加,且影响模型分类性能的扩展参数需要用户自定义。本文提出模糊排序最小最大神经网络模型用于克服上述局限性,主要的创新点如下:1.提出模糊排序最小最大神经网络。提出的模型与已知模糊最小最大神经网络相比具有更高的分类正确率,同时网络空间复杂度较低。在模糊排序最小最大神经网络模型中,提出了一种排序策略,确定训练集模式输入网络的顺序,使最终构成的网络固定,克服了模糊最小最大神经网络对训练集模式输入顺序的依赖;提出了一种基于曼哈顿距离的隶属度函数,克服了模糊最小最大神经网络中隶属度函数不会随着模式与超盒间距离的增加而稳定减小的问题;采用基于个体轮廓系数的方法对落于重叠区域内的模式进行分类,克服了模糊最小最大神经网络采用收缩超盒消除重叠而造成的被收缩区域对原所属超盒隶属度变化的问题。2.提出基于粒子群算法优化的模糊排序最小最大神经网络。提出的模型无需用户自定义扩展参数,并且具有更好的分类性能,包括两部分:（1）提出了一种新的扩展规则,对于超盒的每个维度均设置一个独立的扩展参数来约束超盒的大小;（2）使用粒子群算法优化扩展参数,最终获得一组使得模型分类正确率最高的扩展参数值,从而提高模型的分类性能。3.提出模糊排序最小最大神经网络的应用模型。由于模糊排序最小最大神经网络具有较强的分类能力和在线学习能力,提出一种基于模糊排序最小最大神经网络的人脸识别模型和房颤识别模型。在人脸识别模型中,首先使用卷积神经网络对人脸图像进行特征提取,然后用模糊排序最小最大神经网络模型进行分类;在房颤识别模型中,首先使用小波变换去除房颤信号中的噪声,并使用主成分分析方法降维,然后用模糊排序最小最大神经网络模型进行分类。实验均取得了优于传统模型的分类正确率。

关键词：模糊集模糊最小最大神经网络个体轮廓系数粒子群算法模式识别

来源：评论

学校读者我要写书评

暂无评论

基于非度量多维缩放的划分聚类组合算法研究与应用

基于非度量多维缩放的划分聚类组合算法研究与应用

引用

作者：周文娟南京邮电大学

学位级别：硕士

随着科技的不断发展,聚类作为机器学习人工智能领域重要的分析技术之一,在面临日益纷繁复杂的社会和现实问题面前,传统单一的聚类方法捉襟见肘,远远不能满足实际需求。本文从把数据类型扩充到非度量型的高维数据、有效结合基于个体轮廓... 详细信息

随着科技的不断发展,聚类作为机器学习人工智能领域重要的分析技术之一,在面临日益纷繁复杂的社会和现实问题面前,传统单一的聚类方法捉襟见肘,远远不能满足实际需求。本文从把数据类型扩充到非度量型的高维数据、有效结合基于个体轮廓系数的变化率函数确定最佳聚类个数以及充分融合蚁群算法和粒子群算法的优势优化初始聚类中心三个方面进行改进,并对改进后的算法有效性进行实例验证。本文的主要工作内容和成果如下:1、根据非度量型高维数据问题亟待解决,进行数据预处理,阐述非度量多维缩放技术,思想原理以及算法流程。一方面通过非度量多维缩放解决非度量型高维数据问题的研究,另一方面结合非度量多维缩放扩大了K-Means聚类算法的适应范围。2、基于非度量多维缩放的聚类组合算法基础上构造一种自适应确定K值的方法。利用个体轮廓系数的变化率作为评价函数,当该函数收敛时,通过相邻K两两之间轮廓系数的变化值最大自适应得到最佳聚类个数K。3、粒子群算法与蚁群算法有效融合已经成功应用各类优化求解问题,融合PSO-ACO各自优势来优化初始聚类中心。先利用具有全局性和快速性的粒子群算法获得初始信息素分布,再利用具有正反馈性和并行性的蚁群算法得到精确解,经过算法的多次迭代,可以较大概率得到全局最优解.将改进后的划分聚类算法分别应用于实际数据和仿真数据进行分析,实验表明新算法在求解能力和时间效率上均有有效提升,另外集群性能实验也进一步验证新算法基于大数据平台优势更加明显.但是由于融合策略中粒子群算法中设定不同的集群数量,可能会导致初始聚类中心存在微小的差距,因此在迭代算法优化问题还需要进一步完善和探讨。

关键词：非度量多维缩放高维个体轮廓系数 PSO-ACO 聚类组合

来源：评论

学校读者我要写书评

暂无评论

基于ACO-PSO自适应的划分聚类算法

引用

计算机技术与发展 2019年第2期29卷 90-95页

作者：周文娟赵礼峰南京邮电大学理学院江苏南京210023

针对经典划分算法聚类数K先验未知及初始聚类中心随机选取,导致陷入局部最优的问题,提出一种基于ACO-PSO自适应的划分聚类算法。首先根据聚类算法类内相似度最大差异度最小和类间相似度最小差异度最大的基本原则,将个体轮廓系数作为最... 详细信息

针对经典划分算法聚类数K先验未知及初始聚类中心随机选取,导致陷入局部最优的问题,提出一种基于ACO-PSO自适应的划分聚类算法。首先根据聚类算法类内相似度最大差异度最小和类间相似度最小差异度最大的基本原则,将个体轮廓系数作为最佳聚类数的检验函数,得到聚类算法的自适应K值;其次利用群智能搜索方法思想,有效结合了粒子群算法和蚁群算法的优点,先利用具有全局性和快速性的粒子群算法获得初始信息素分布,再利用具有正反馈性和并行性的蚁群算法得到精确解。最后在多个UCI数据集上的仿真结果表明,该算法不仅求解能力优于传统聚类算法及基于个体轮廓系数优化的初始聚类中心算法,而且聚类时间效率大大提高,应用于大数据收敛速度更加明显。

关键词： K-means 自适应个体轮廓系数 ACO-PSO 鲁棒性

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：