基于QPSO优化的聚类算法研究

作     者：原晶晶 

作者单位：广西师范学院 

学位级别：硕士

导师姓名：麦雄发

授予年度：2016年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：模糊C均值算法 量子粒子群算法 核函数 文本分类 

摘      要：聚类分析作为数据挖掘十分重要的技术,已应用到模式识别、图像处理、生物计算等各领域。本文研究一种改进的量子粒子群优化(Quantum-behaved Particle Swarm Optimization, QPSO)算法,并以此优化K均值(K-means Clustering)算法、模糊C均值(Fuzzy C-Means Clustering,FCM)算法和核模糊C均值算法(Kernel-Based Fuzzy C-Means Clustering,KFCM)。QPSO算法虽然全局搜索能力优于粒子群算法,但与其他算法一样存在早熟的趋势。为了减少这种情况的发生。本文提出了一种改进的QPSO算法,并用4个benchmark函数实验对改进后算法的有效性进行验证明。K均值、FCM算法、KFCM算法虽然有着各自的优点：K均值算法思想简单易操作;FCM算法数学功底深厚、运算速度快;KFCM算法善于处理非线性聚类问题,但这三个算法有着共同的缺点：对初始值要求高、对孤立点敏感,不能保证全局收敛。而改进后的QPSO算法对初始值要求不高,全局搜索能力强,所以本文使用改进后的QPSO算法对K均值算法、FCM算法、KFCM算法进行改进,并用两个数据集实验对改进后的三个聚类算法进行有效性验证。实验数据表明新提出的三个聚类算法在聚类的准确度和算法的稳定性方面有所提高。本文所设计的算法均在MATLAB环境中得到了实现。