The invention discloses a depth combination clustering method, K means and PSO include: the particle swarm algorithm particle initialization using K means algorithm; according to the calculation of the fitness value of the fitness function, learning and mean part of updating particle swarm iteration algorithm; construct multiple swarm PSO algorithm using cluster, use the the cluster center represents a cluster, update the particle velocity and position; to determine whether they meet the iteration stop condition, if satisfied, output the optimal particle; otherwise the iteration continues. Use K means to initialize, construct multiple swarm PSO algorithm using clustering process in the cluster, using lightweight multi group PSO, and adopt appropriate methods on the particle velocity limiter, has better clustering effect and convergence speed.
【技术实现步骤摘要】
深度结合K-means和PSO的聚类方法
本专利技术涉及一种聚类方法,具体地涉及一种深度结合K-means和PSO的聚类方法,具有更好的聚类效果和收敛速度。
技术介绍
聚类分析直观来说就是将众多对象聚为一个个的簇,其中有相同聚类特征的在同一个簇,特征差异明显的对象居于不同的簇。聚类分析适用于很多不同类型的数据集合。模式识别、数据分析、图像处理和市场研究等众多应用领域对聚类算法提出了迫切需求。聚类分析的主要目标是得到一个全局较优聚类结果。作为无监督学习一个典型的面向原型的聚类算法,K-means算法虽然简单实用,但不可避免存在一些初始化方法等导致的缺陷。许多改进算法譬如K-meas++、二分K-means等已经相继被提出。预处理技术也是其中频繁使用的提高全局收敛性的一种方法。作为一种典型的基于群体智能的全局优化算法,粒子群算法(PSO)起源于的对鸟群觅食的行为研究。它是一种具有较强的全局收敛性和鲁棒性的全局随机搜索算法,并且已经被广泛应用到数据挖掘、机器学习、化学工程、经济调度分配以及非线性规划等众多优化领域。Omran等在2002年提出了一种基于PSO的无监督图像聚类算法,它是最早的基于PSO的聚类算法。Merwe等随后提出了一种结两种算法的基本策略,并且组合均值聚类和粒子群算法进行聚类分析,取得了较好的聚类效果。但是存在以下缺陷:1、PSO算法在迭代过程中种群多样性会丧失;2、多种群构建必然导致复杂的时间复杂度和较慢的收敛速度;3、往往没有过多考虑实际场景,实际应用效果差。
技术实现思路
针对上述存在的技术问题,本专利技术目的是:提供了一种深度结合K-mea ...
【技术保护点】
一种深度结合K‑means和PSO的聚类方法,其特征在于,包括以下步骤:S01:使用K‑means算法对粒子群算法中的粒子进行初始化;S02:根据适应度函数计算适应度值,更新粒子群算法迭代的学习部分和均值部分;S03:利用簇构建多种群PSO算法,用簇中心代表一个簇,更新粒子速度和位置;S04:判断是否满足迭代停止条件,若满足,输出最优粒子;否则返回步骤S02,继续迭代。
【技术特征摘要】
1.一种深度结合K-means和PSO的聚类方法,其特征在于,包括以下步骤:S01:使用K-means算法对粒子群算法中的粒子进行初始化;S02:根据适应度函数计算适应度值,更新粒子群算法迭代的学习部分和均值部分;S03:利用簇构建多种群PSO算法,用簇中心代表一个簇,更新粒子速度和位置;S04:判断是否满足迭代停止条件,若满足,输出最优粒子;否则返回步骤S02,继续迭代。2.根据权利要求1所述的深度结合K-means和PSO的聚类方法,其特征在于,所述步骤S02中适应度函数为:mj,d(zp,mj)分别表示簇的中心和欧氏距离,Nc,Cj分别表示簇的总个数及分属于各个簇的对象数量。3.根据权利要求1所述的深度结合K-means和PSO的聚类方法,其特征在于,所述步骤S02中粒子群算法的核心迭代方程为:Vi(t+1)=Vi(t)+c1r1(pbesti(t)-Xi(t))+c2r2(gbest(t)-Xi(t))Xi(t+1)=X(t)+V(t+1)其中,c1,c2是学习因子,r1,r2是[0,1]间的随机数,Vi(t)和Xi(t)分别表示粒子i第t代的速度和位置,pbesti(t)和gbesti(t)分别表示粒子i第t代的历史...
【专利技术属性】
技术研发人员:黄刘生,柯钦,徐宏力,
申请(专利权)人:中国科学技术大学苏州研究院,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。