基于改進(jìn)粒計(jì)算的K-medoids聚類算法研究.pdf

1、隨著數(shù)據(jù)庫(kù)存儲(chǔ)技術(shù)的飛速提升，使得各單位機(jī)構(gòu)堆積了海量數(shù)據(jù)。為了從龐大數(shù)據(jù)堆中掘取有價(jià)值的信息，數(shù)據(jù)挖掘應(yīng)運(yùn)而生。聚類分析作為數(shù)據(jù)挖掘的一個(gè)重要研究分支，旨在通過(guò)分析數(shù)據(jù)對(duì)象間的相似性把數(shù)據(jù)劃分成有意義的簇。
　　本文探討了K-medoids聚類算法并提出了改進(jìn)策略。這些策略包括了利用改進(jìn)粒計(jì)算來(lái)初始化中心點(diǎn)，提出三種不同的中心點(diǎn)搜索更新策略和改進(jìn)了K-medoids聚類算法的適應(yīng)度函數(shù)。本文主要研究工作如下:
　　為了解決

2、傳統(tǒng)K-medoids聚類算法初始化敏感問(wèn)題，對(duì)粒計(jì)算進(jìn)行改進(jìn)，并利用改進(jìn)的粒計(jì)算對(duì)傳統(tǒng)K-medoids算法進(jìn)行初始化處理。該算法在Iris數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn)測(cè)試，實(shí)驗(yàn)結(jié)果顯示初始化的中心點(diǎn)分別位于不同的簇中，從而避免了傳統(tǒng)算法對(duì)初始化敏感的問(wèn)題。
　　在有效初始化前提下，解決傳統(tǒng)K-medoids聚類算法的收斂速度緩慢和聚類準(zhǔn)確率不夠高等缺點(diǎn)，提出了粒度迭代搜索策略，以此來(lái)減少聚類算法的迭代次數(shù);同時(shí)提出一種平衡簇內(nèi)和簇間距離的