基于差分進(jìn)化的模糊C-均值聚類算法研究.pdf

1、隨著數(shù)據(jù)庫(kù)和信息技術(shù)的快速發(fā)展，人們面對(duì)的數(shù)據(jù)量以爆炸式的速度增長(zhǎng)，為了更好的利用資源，從這些數(shù)據(jù)中獲取有價(jià)值的信息，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。目前，在數(shù)據(jù)挖掘領(lǐng)域的研究中，聚類分析是很重要的一支，許多有效的聚類分析算法被提了出來(lái)。其中，模糊C-均值（FCM）的理論基礎(chǔ)相對(duì)完善，是應(yīng)用的比較廣泛的一種聚類算法。但是該算法過(guò)分依賴于初值，而且對(duì)噪音數(shù)據(jù)比較敏感。差分進(jìn)化（DE）算法是一種模擬生物進(jìn)化的隨機(jī)搜索算法，其優(yōu)勢(shì)在于過(guò)程簡(jiǎn)單、控制參數(shù)

2、少、易于實(shí)現(xiàn)，而且具有較強(qiáng)的全局收斂能力和魯棒性?；诓罘诌M(jìn)化的模糊C-均值聚類（FCDE）算法就是將DE算法應(yīng)用到FCM算法中，在一定程度上解決了FCM算法過(guò)分依賴于初值，對(duì)噪音數(shù)據(jù)敏感的問(wèn)題。但是由于FCDE算法的變異和交叉操作的隨機(jī)性，使得其收斂速度特別慢。因此，本文針對(duì)FCDE算法中存在的以上問(wèn)題，對(duì)其進(jìn)行了深入的研究。主要工作如下：
　　1.針對(duì)DE算法交叉操作粒度過(guò)大的問(wèn)題，本文引入了新的交叉算子，使得交叉對(duì)象由原來(lái)的

3、樣本數(shù)據(jù)改為樣本數(shù)據(jù)中的維度，提高了解的精度；針對(duì)DE算法對(duì)變異縮放因子F和交叉概率因子CR敏感的問(wèn)題，本文引入了自適應(yīng)更新操作，使F和CR在整個(gè)算法的執(zhí)行過(guò)程中，實(shí)時(shí)動(dòng)態(tài)更新，而不是原來(lái)的常數(shù)，降低了DE算法對(duì)F和CR的敏感性。
　　2.針對(duì)DE算法收斂過(guò)慢的問(wèn)題，本文引入了新的變異算子，采用一種貪心策略，使DE算法更快向最優(yōu)解收斂；為了防止其陷入局部最優(yōu)，引入了突變機(jī)制，使DE算法最終能收斂至全局最優(yōu)。最后本文將改進(jìn)后的DE算

4、法應(yīng)用到聚類問(wèn)題中，提出了一種改進(jìn)的基于差分進(jìn)化的模糊C-均值聚類算法-1（IFCDE-1）。
　　3.同樣，針對(duì)DE算法收斂過(guò)慢的問(wèn)題，本文從另一個(gè)角度將FCDE算法和FCM算法結(jié)合起來(lái)，充分利用FCDE算法不依賴初值和FCM算法收斂速度快的優(yōu)點(diǎn)，提出了另一種改進(jìn)的基于差分進(jìn)化的模糊C-均值聚類算法-2（IFCDE-2）。
　　4.為了驗(yàn)證算法的有效性，本文采用了3組開源的真實(shí)數(shù)據(jù)集和2組自定義的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表