K-均值聚类算法的研究与改进.pdf

痪稻劾嗨惴ǖ难芯坑敫慕长沙理工大学硕士学位论文堕堕塾壑篓鲨里三盔堂盐篁垫廛旦垫查;サ兰ǖ欧隧委奎生基数援学校代号:学密级:公开学位申请人姓名导币姓名及职称培养单位专业名称论文提交日期论文答辩日期答辩委员会主席号:
瓻.●
伊戢作者签名:庄是衫毒啦奎长沙理工大学学位论文原创性声明学位论文版权使用授权书日期:厶、’年岁月曲日日期:~年月如日日期:洳年岁月如⒉槐C芨浴本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于⒈C芸冢年解密后适用本授权书。朐谝陨舷嘤Ψ娇蚰诖颉”作者签名:导师签名:‘
摘要随着计算机技术的飞快发展,人们每天都会面临诸如文本、图像、音频、视频等各种形式的数据,这些数据的数量是极其庞大的,如何快速有效地从这些海量数据中提炼出其间所隐含的有价值的信息,成为人们十分关注且亟待解决的问题。数据挖掘,纱硕KH嗣墙饩稣飧鑫侍馓峁┝诵矶嘧坑谐效的方法和工具。聚类分析就是其中最为重要的方法之一,它是数据挖掘技术的重要组成部分。随着近年来对聚类分析技术的研究逐渐深入,其重要性已越来越得到人们的认可。近年来,无论在理论方面还是在实际应用方面,聚类分析技术的研究都取得了丰硕的成果。目前,聚类分析技术已在机器学习、模式识别、图像处理、文本分类、市场营销及统计科学等领域得到了广泛的应用。根据数据类型、聚类目的及应用的不同,目前已有的聚类算法大致可以分为以下几种:划分的算法、层次的算法、基于网格的算法、基于密度的算法以及基于模型的算法。其中,研究最为成熟最为经典的就是基于划分的痪稻劾嗨惴ā1疚纳入研究和分析了痪稻劾嗨惴ǖ挠湃钡悖⒄攵云渚劾嘟峁资艹跏贾行挠跋斓特点,对痪稻劾嗨惴ń辛烁慕1疚乃龅闹饕9ぷ饔校攵訩一均值聚类算法对初始聚类中心存在依赖性的缺陷,本文提出一种新的选取痪稻劾嗨惴ǔ跏季劾嘀行牡姆椒ǎ笛楸砻鳎梅椒ǹ捎行Ы饩鲇捎诔跏季类中心选取的过于邻近而导致聚类结果不稳定的问题,提高了聚类结果的有效性和稳定性。攵訩一均值聚类算法存在对初始中心的选择敏感且易陷入局部最优解的缺点,本文将全局寻优能力强的差分进化算法引入聚类中。本文提出了一种改进的差分进化算法,并将改进的差分进化算法和痪稻劾嗨惴ㄏ嘟岷希虾玫亟饩隽薑一均值聚类算法初始中心的优化问题,实验表明,该方法有效提高了聚类质量和收敛速度。关键词:聚类算法;痪邓惴ǎ徊罘纸惴
—瓾..,,畇.—甇瓼:瓵猰瑃瓵.,,