推荐 l 基于粒子群优化的模糊C均值聚类算法

随着大数据、云计算等技术的迅猛发展,聚类分析已成为数据挖掘的主要研究手段之一。为符合人类的认知,研究员将模糊集理论引入聚类分析中,提出了模糊C均值聚类算法(Fuzzy C-means Clustering Algorithm,FCM)。经典FCM 算法由于是一种局部最优搜索算法,存在对初始聚类中心敏感、易于陷入局部最优解的缺陷,限制了算法的应用。因此,学者尝试通过各种智能算法对经典FCM 算法进行改进。粒子群优化算法(Particle Swarm Optimization, PSO)作为群体智能算法的代表,依靠个体之间的简单交互作用在群体内自组织搜索,具有很强的学习能力和适应性。一些学者利用PSO算法克服传统FCM算法的缺陷,将PSO算法与FCM算法融合已成为近年来的研究热点。

为克服FCM算法缺陷,提高聚类质量,本文对基本粒子群聚类算法进行改进,并与FCM算法结合,提出了一种改进的粒子群优化模糊C均值聚类算法(Improved Fuzzy C-mean Clustering Algorithm Based on Particle Swarm Optimization,IFCM-PSO)。首先通过选择合理的粒子初始化空间,降低对初始聚类中心的敏感度,提高收敛速度;其次通过优化参数粒子运动最大速度以及引入环形拓扑结构的邻域,解决粒子群聚类算法易早熟收敛的缺陷。选取UCI 数据库中3个真实数据集IRIS、WINE和Breast Cancer Wisconsin (BCW)进行仿真实验,以验证该算法的有效性。

《信息技术与网络安全》第八期精品文章推荐:

基于粒子群优化的模糊C均值聚类算法*

摘要:针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感,易陷入局部最优解的不足,将改进的粒子群聚类算法与FCM算法相结合,提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化,同时引入环形拓扑结构邻域,提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验,结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

关键词:聚类粒子群优化模糊C均值聚类算法粒子群聚类算法

中图分类号:TP301

文献标识码:A

DOI:10.19358/j.issn.2096-5133.2018.08.009

中文引用格式:王宇钢.基于粒子群优化的模糊C均值聚类算法[J].信息技术与网络安全,2018,37(8):36-39,44.

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181030G0M89V00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券