改進的粒子群優(yōu)化算法及其在數據分類中的應用.pdf

1、隨著人類社會以及計算機技術的迅猛發(fā)展,數據庫規(guī)模呈現出爆炸式的增長形勢。而不斷完善發(fā)展的數據挖掘技術恰恰能幫助人們從大量的、有噪聲的、模糊的數據中發(fā)現潛在的有用的信息和知識,而分類正是其中的較為重要的技術方法。因此,問題的關鍵就是要探索更為有效的數據分類方法。近年來,粒子群優(yōu)化算法由于概念簡單,需要調控的參數較少,易于編程實現等優(yōu)點而成為學者們研究的焦點。因而,基于粒子群優(yōu)化的分類算法也成為分類領域的熱點。
　　本文首先介紹了粒子

2、群優(yōu)化算法和分類的相關理論背景,在此基礎上,對粒子群優(yōu)化算法進行了改進,提出了基于粒子群優(yōu)化的分類算法。具體研究工作如下:
　　1.提出了一種基于二次插值的正交粒子群算法。算法中采用了三個算子:二次插值(QI),基于對立的學習算子(OBL),精英學習算子(ELS)。QI算子通過新產生的一個新的最小值點,可以獲得更優(yōu)解的同時提高算法的收斂速度;引入QI后,為了避免算法收斂過快導致其更容易陷入局部最優(yōu),將反向學習算子(OBL)應用到種

3、群中的最差粒子上以增加種群的多樣性,提高算法的性能;精英學習算子(ELS)作為對全局最優(yōu)解的一個擾動,可在種群限入局部最優(yōu)時在鄰域內找到一個更優(yōu)的解。通過以上三個算子的相互協(xié)作,算法得到了較大的改進,實驗也證明改進后的算法顯示出了更大的優(yōu)勢。
　　2.提出了一種混合分類算法。算法中,首先,針對具有某些潛在網絡結構分布的數據提出了一種高級別分類機制,對如隨機分布的數據中插入線性分布的數據等類型的數據分類時,這一分類方法體現出了較高的

4、分類正確率。其次,為了保持算法對常用數據集的分類效率,算法中將基于原型的粒子群分類方法作為低級別分類機制。最后,將這兩種機制融合到一起構成混合分類算法。實驗證明,這一算法對于常用數據集中UCI數據集以及特殊模式結構的數據都有較好的分類結果,同時還將其用于對手寫體數據的識別上也取得了較好的結果。
　　3.提出了一種基于分類和聚類同步優(yōu)化的混合分類算法。算法中,首先引入了聚類與分類同步優(yōu)化學習機制,這一方法通過將聚類純度和錯分類率歸于