基于改进粒计算的K-medoids聚类算法研究

【摘要】：随着数据库存储技术的飞速提升,使得各单位机构堆积了海量数据。为了从庞大数据堆中掘取有价值的信息,数据挖掘应运而生。聚类分析作为数据挖掘的一个重要研究分支,旨在通过分析数据对象间的相似性把数据划分成有意义的簇。本文探讨了K-medoids聚类算法并提出了改进策略。这些策略包括了利用改进粒计算来初始化中心点,提出三种不同的中心点搜索更新策略和改进了K-medoids聚类算法的适应度函数。本文主要研究工作如下：为了解决传统K-medoids聚类算法初始化敏感问题,对粒计算进行改进,并利用改进的粒计算对传统K-medoids算法进行初始化处理。该算法在Iris数据集中进行实验测试,实验结果显示初始化的中心点分别位于不同的簇中,从而避免了传统算法对初始化敏感的问题。在有效初始化前提下,解决传统K-medoids聚类算法的收敛速度缓慢和聚类准确率不够高等缺点,提出了粒度迭代搜索策略,以此来减少聚类算法的迭代次数；同时提出一种平衡簇内和簇间距离的适应度函数,以此来增强算法的适应性和聚类精度。同样在有效初始化的前提下,解决传统K-medoids聚类算法中心点搜索盲目性和聚类精度不够高等缺点,提出了两种中心点搜索策略：临域搜索策略、簇内搜索策略,以此来避免传统K-medoids算法盲目全局搜索的缺陷；同时改进准则函数,以此来提高算法的聚类精度。
【关键词】：K-medoids聚类算法 粒计算 搜索策略 适应度函数
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP311.13