聚类分析中非0,1编码的遗传算法

K-平均算法属于聚类分析中的动态聚类法,但其聚类效果受初始聚类分类或初始点的影响较大。本文提出一种遗传算法(GA)来进行近代初始分类,以内部聚类准则作为评价指标,实验结果表明,该算法明显好于K-平均算法。     

基于混合型模糊聚类分析的降水区域分类法

在混合型模糊聚类分析的基础上,先用传递闭包法得出动态聚类结果,然后引用F统计量找到最佳分类,针对此最佳分类给出具体算法求得初始分类矩阵,然后利用模糊C-均值算法对初始分类矩阵进行迭代计算,对原分类结果进行软划分修正从而得出最终聚类结果.方法减少了两次人为因素对聚类结果的干扰.将其应用于降水区域划分的实证分析表明,可以对降水区域进行更为有效的划分.     

基于优化初始聚类中心和轮廓系数的 K-means 聚类算法

传统K-means聚类算法初始聚类中心以及聚类数目K是随机确定的,聚类结果受其影响较大,这样容易造成聚类结果不稳定且准确率较低.针对上述问题,本文提出一种基于优化初始聚类中心和轮廓系数的K-means聚类算法.首先,为了选出准确的初始聚类中心,引入平均样本距离和误差平方和,构造初始聚类中心的选取方法,使得选取的初始聚类...     

土壤分类的模糊集成算法与应用

土壤是一个多性状的连续体,其分类的首选方法是模糊聚类分析.但是模糊聚类分析中现有的基于模糊等价关系的动态聚类法和模糊c-均值法各有利弊,采用其中一种方法聚类肯定存在不足.为此集成两种聚类方法的优点,避其缺点,提出了用基于模糊等价关系的动态聚类方法和方差分析方法确定聚类数目和初始聚类中心,再用模糊c-均值法决定最终分类结果的集成算法,并将其应用到松花江流域土壤分类中,得到了较为切合实际的分类结果.     

基于微分进化算法的FCM图像分割算法

为提高模糊C均值(FCM)算法的自动化程度,提出基于微分进化算法的FCM图像分割算法(DEFCM),利用微分进化算法全局性和鲁棒性的特点自动确定分类数和初始聚类中心,再将其作为模糊c均值聚类的初始聚类中心,弥补FCM算法的不足.实验表明该算法不仅能够正确地对图像分类,而且能获得较好的图像分割效果和质量.     

基于遗传算法的模糊聚类分析

针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于算法的优化计算.同时针对算法中,聚类效果往往受到聚类数目和初始聚类中心的影响,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数来获得初始聚类中心.实验证明,基于遗传算法的模糊聚类方法能够避免产生局部极小值,较好的解决聚类结果对初值的依赖.     

聚类分析(Ⅱ)

系统聚类法一次形成类以后就不变了,这要求一次分类分得比较准确,对分类的方法就提出较高的要求,相应的计算量自然比较大.改进这个缺点的一个自然想法是,先粗略的聚一下类,然后按照某种最优的原则进行修改,直至类分得比较合理为止,这就是逐步聚类法,又称动态聚类法. 为了粗略的分一下类(以后简称初始分类),有时首先选一批“凝聚点”,然后让样品向最近的凝聚点凝聚,这样由点就凝聚成类,得到初始分类.逐步聚类法大体可用如下框图表示:     

自适应约束模糊C均值聚类算法

针对经典C均值聚类算法和模糊C均值聚类算法所存在的对初始聚类中心过分依赖以及需要预先知道实际聚类数目的问题,基于模糊C均值聚类算法提出了一种新算法:自适应约束模糊C均值(ACFCM)聚类算法,它在模糊C均值聚类算法的基础上,给目标函数加入了一个惩罚项,使得上述问题得以解决.并通过仿真实验证实了新算法的可行性和有效性.     

强组合PhaseⅠ－PhaseⅡ次可行方向法

本文对Ｐｏｌａｋ等人的组合ＮａｓｅⅠ－Ⅱ可行方向法进行改进，使之不仅能自动地将初始化阶段（Ｐｈａｓｅｌ）和最优化阶段（ＰｈａｓｅⅡ）统一起来，而且保证了满足不等式约束的函数个数不断叠累递增，故称改进后的算法为强组合ＰｈａｓｅⅠ－ⅡＰｈａｓｅⅡ次可行方向法．本文算法包含了一种新的目标局数非单词的非精确线搜索，它保证了算法产生的点列的任何聚点都是问题的Ｋ－Ｔ的点．     

一种改进的遗传k-means聚类算法

在经典的k-means聚类算法中,聚类数k必须事先给定,然而在现实中k很难被精确的确定.本文提出了一种改进的遗传k-means聚类算法,并构造了一个用来评价分类程度好坏的适应度函数,该适应度函数考虑的是在提高紧凑度(类内距)和分离度(类间距)的同时使得分类个数尽可能少.最后采用两个人工数据集和三个UCI数据集对k-means聚类算法(KM),遗传聚类算法(GA),遗传k-means聚类算法(GKM)和改进的遗传k-means聚类算法(IGKM)进行比较研究,比较的指标有类间距、类内距和分类正确率.研究证明改进的遗传k-means算法能够自动获取最佳聚类数k并且保持较高的正确率.