基于SOM和PSO的聚類算法研究.pdf

1、由于自組織映射(Self-Organizing Feature Maps，SOM)算法和粒子群優(yōu)化(Particle Swarming Optimizing，PSO)算法擁有著概念簡明、實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少，自組織自適應(yīng)的特點(diǎn)，使得二者近年來在聚類分析領(lǐng)域越來越受到人們的廣泛關(guān)注。但是，這兩種算法的初始化都是選擇隨機(jī)的方式，這就導(dǎo)致了算法的收斂速度受到影響，聚類的精確度也有待于進(jìn)一步提高的問題。本文通過對現(xiàn)有一些SOM和PS

2、O的改進(jìn)算法進(jìn)行研究，提出了三種改進(jìn)方案：一是提出了用局部樣本中心初始化神經(jīng)元權(quán)值的方法，改進(jìn)了SOM算法；二是將收縮因子和淘汰最差粒子的策略應(yīng)用到PSO聚類算法之中，改進(jìn)了PSO聚類算法；三是將SOM算法與改進(jìn)的PSO算法進(jìn)行有機(jī)結(jié)合，提出了SOM/PSO聚類組合算法。
　　 第1章介紹課題的研究意義和研究現(xiàn)狀，并對全文的研究內(nèi)容做了概述。
　　 第2章介紹了SOM算法的原理和機(jī)制，針對SOM算法隨機(jī)初始化神經(jīng)元權(quán)值的

3、策略影響了算法的收斂速度，以及對比文獻(xiàn)中SOM改進(jìn)算法無法處理噪聲等問題，提出了一種用局部樣本中心初始化神經(jīng)元權(quán)值的改進(jìn)算法——LCSOM算法。通過對UCI測試集的聚類實(shí)驗(yàn)驗(yàn)證了該方法能夠提高SOM算法收斂的速度，弱化噪聲對權(quán)值初始化的影響。
　　 第3章介紹了群體智能和粒子群優(yōu)化算法的概念，并針對粒子群優(yōu)化算法無法保證收斂和收斂速度慢等問題，引入收縮因子到PSO聚類算法中——得到SF-PSO算法，還提出了在此基礎(chǔ)上引入淘汰最差

4、粒子策略的SFAW-PSO算法。對UCI測試集的聚類實(shí)驗(yàn)驗(yàn)證了SF-PSO算法和SFAW-PSO算法能夠在確保PSO聚類算法收斂的基礎(chǔ)上，加快算法的收斂速度，并用外部和相對評價方法分別對聚類結(jié)果進(jìn)行評價，獲得較好聚類的質(zhì)量。
　　 第4章為解決PSO聚類算法收斂速度慢的問題，提出一種將二者有機(jī)結(jié)合在一起的聚類組合算法SOM/PSO算法。按照PSO聚類算法選取的不同，組合算法可以細(xì)化為SOM/PSO算法、SOM/SF-PSO算法和