基于群体智能算法的聚类挖掘方法研究

论文摘要

数据挖掘的目的是从海量的数据中提取人们感兴趣的,有价值的知识和重要的信息。聚类分析是数据挖掘的一个重要研究领域,它在商业、生物、医学、地质、Web文档等方面都有重要的应用,是当前的研究热点之一。群体智能是一种新的人工智能形式,目前正在成为人工智能领域及其相关领域的一个研究热点。目前,研究得较多的群体智能算法主要有粒子群算法和蚁群算法二种,本文针对这二种群体智能算法存在的一些问题进行了研究,并将其应用到聚类分析:（1）从粒子群算法的参数设置上改进了算法,并将其应用到聚类分析中,提出了一种自适应惯性权重的并行粒子群聚类算法。该算法改善了基本粒子群算法的全局寻优能力、收敛速度和运行效率,通过理论分析和实验表明,相比k-means聚类算法、遗传聚类算法、基本粒子群聚类算法,本文算法更具优越性。（2）在Deneubourg的蚁群聚类基本模型、Lumer和Faieta提出的LF基本蚁群聚类算法和刘波等提出的利用信息熵理论的聚类算法的基础上,对蚁群聚类算法进行改进,提高了聚类速度和质量,解决了LF算法参数设置多,不适用连续属性等问题。相对传统的k-means算法,本文算法不仅具有能有效地处理孤立点,有较好的抗噪声能力,而且不需要设置簇（聚类中心）数目的特点。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 国内外的研究发展现状
• 1.3 主要工作
• 1.4 论文的组成结构
• 第二章 聚类分析
• 2.1 数据预处理
• 2.1.1 数据中心化
• 2.1.2 数据标准化
• 2.1.3 数据归一化
• 2.2 聚类统计量
• 2.2.1 距离
• 2.2.2 相似系数
• 2.2.3 关联系数
• 2.3 类的相关知识
• 2.3.1 类的定义
• 2.3.2 类的特征
• 2.3.3 类的距离
• 2.4 常用聚类方法
• 2.4.1 划分的方法
• 2.4.2 层次的方法
• 2.4.3 基于密度的方法
• 2.4.4 基于网格的方法
• 2.4.5 基于模型的方法
• 2.5 目前聚类算法存在的一些问题
• 2.6 本章小结
• 第三章 优化问题与群体智能算法
• 3.1 优化问题简介
• 3.2 优化问题数学模型的建立
• 3.3 优化问题的分类
• 3.4 凸集与凸函数
• 3.5 局部最优与全局最优
• 3.6 全局优化与启发式方法
• 3.6.1 优化方法的的发展与演变
• 3.6.2 启发式方法
• 3.7 群体智能
• 3.8 本章小节
• 第四章 基于粒子群算法的聚类挖掘
• 4.1 粒子群优化算法（PSO）简介
• 4.2 PSO 算法的来源及背景
• 4.2.1 动物群体行为的类比
• 4.2.2 PSO 算法的基本模型
• 4.3 PSO 算法的数学描述及算法步骤
• 4.4 PSO 算法与其它智能算法
• 4.4.1 PSO 与遗传算法
• 4.4.2 PSO 与人工神经网络
• 4.5 PSO 算法的参数设置
• 4.6 PSO 算法的改进
• 4.7 基于PSO 算法的聚类分析
• 4.7.1 聚类分析的数学模型
• 4.7.2 自适应惯性权重ω
• 4.7.3 PSO 算法并行化
• 4.7.4 编码方案和适应度选择
• 4.7.5 自适应惯性权重的并行粒子群聚类算法描述
• 4.7.6 实验过程与结果分析
• 4.8 本章小结
• 第五章 基于蚁群算法的聚类挖掘
• 5.1 蚁群算法概述
• 5.1.1 基本蚁群算法的起源
• 5.1.2 蚁群算法的基本原理
• 5.1.3 基本蚁群算法的特点
• 5.1.4 蚁群算法的改进与发展
• 5.2 蚁群聚类算法的产生
• 5.2.1 基于蚁堆原理的聚类分析
• 5.2.2 基于蚂蚁觅食原理的聚类分析
• 5.3 基本蚁群聚类算法
• 5.3.1 蚁群聚类的基本模型
• 5.3.2 LF 算法
• 5.4 基于信息熵的蚁群增量聚类算法
• 5.4.1 蚁群增量聚类系统结构
• 5.4.2 初始聚类模型生成器
• 5.4.3 蚁群增量聚类修改器
• 5.5.4 蚁群增量聚类模型维护器
• 5.5.5 蚁群增量聚类模拟实验
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 附录 攻读学位期间发表论文目录