10.3969/j.issn.1002-2279.2016.02.016
一种新的粒子群优化聚类算法
K -means 算法在聚类分析中有着广泛应用。它采用了均值中心这一启发式信息,具有计算效率高的优点,但对初始聚类中心选择敏感,且容易陷入局部最优。PSO 算法的随机性和并行性特点使其在处理数据库形式的海量数据中表现出更大的优越性,不仅具有较强的全局搜索能力,同时,通过对 PSO 算法搜索过程的改进增强了算法在最优解附近的搜索概率,降低样本对初始化敏感的程度,可以弥补 K -means 算法的缺陷。将改进的 PSO 算法应用于 K -means 聚类算法可以提高算法的稳定性和收敛效率,通过四组标准 UCI 数据集的试验,验证了新算法的有效性。
K-平均算法、粒子群优化算法、聚类中心、稳定性、搜索、收敛、敏感
37
TP311(计算技术、计算机技术)
基金项目陕西省自然科学基金项目2014JM8353
2016-06-06(万方平台首次上网日期,不代表论文的发表时间)
共4页
61-64