一种结合粒子群和粗糙集的聚类算法
针对传统K-means算法过度依赖初始聚类中心、易陷入局部最优、不能处理边界对象及聚类精度低等问题,提出一种结合粒子群和粗糙集的聚类算法.此算法首先利用密度和最大距离积法初始化粒子群;然后采用线性递减与随机分布相结合的惯性权重、动态调整的学习因子和引入的随机粒子来避免陷入局部极值,使算法快速收敛于全局最优;最后结合粒子群和粗糙集来优化K-means算法.通过对几个常用UCI标准数据集的仿真实验表明,提出的算法不仅能减少对初始聚类中心的依赖、有效抑制局部收敛,而且聚类准确率更高,稳定性更强.
K-means算法、粒子群、粗糙集、最大距离积法、随机粒子
37
TP18(自动化基础理论)
国家自然科学基金项目11171095,71371065;湖南省科技计划基金项目2013SK3146;湖南省自然科学衡阳联合基金项目10JJ8008
2016-10-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
2040-2045