基于粒計算和粗糙集的聚類算法研究.pdf

1、全球信息科技和互聯(lián)網(wǎng)絡(luò)的迅速發(fā)展，使得人們對各種網(wǎng)絡(luò)資源共享的需求越來越大，這些共享的數(shù)據(jù)信息造成了數(shù)據(jù)膨脹和信息爆炸。如何找到一種科學(xué)合理的方式來幫助人們從大量紛雜無章的數(shù)據(jù)中篩選出有效可靠的信息是急需研究的問題。數(shù)據(jù)挖掘是解決該問題的一種有效方法，它可以幫助人們在對特定的數(shù)據(jù)進行專業(yè)的處理之后做出正確高效的決策。聚類本身屬于數(shù)據(jù)挖掘里面的關(guān)鍵內(nèi)容，故成為許多專家學(xué)者的研究對象。
　　在經(jīng)典的聚類方法基礎(chǔ)上，本文分析了聚類算法的

2、局限性，然后研究了蜂群算法、粒子群算法、粗糙集以及粒計算的理論知識，之后結(jié)合人工蜂群、粒子群、粗糙集和粒計算來對傳統(tǒng)聚類算法進行優(yōu)化。主要工作如下:
　　(1)經(jīng)典的K-medoids聚類算法具有起始類中心隨機獲取、準確率不夠高、全局尋優(yōu)時表現(xiàn)不佳的缺陷，為此，提出了一種基于人工蜂群的優(yōu)化聚類算法。該算法結(jié)合改進粒計算和最大距離積法選取初始聚類中心，然后動態(tài)調(diào)整搜索步長，采用基于排序的選擇概率來實現(xiàn)跟隨蜂對引領(lǐng)蜂的選取，增加了算法

3、完成最終尋優(yōu)的速度，降低了早熟收斂情況發(fā)生的概率。實驗結(jié)果表明:該算法降低了對起始中心分布的敏感程度，且準確率和穩(wěn)定性都得到較大提升。
　　(2)K-means聚類方法具有對起始類中心依靠性大、無法處理邊界對象、精度不夠高和穩(wěn)定性差等缺陷，本文將粒子群與粗糙集進行融合后再用于聚類問題中。該算法初始化采用密度和最大距離積法，并使慣性權(quán)重的取值用線性遞減和隨機分布的方法來實現(xiàn)，然后調(diào)整學(xué)習(xí)因子、引入隨機粒子，增加種群的多樣性。最后將改