融合蟻堆聚類與模糊C-均值聚類的算法研究和分析.pdf

1、數(shù)據(jù)挖掘是一門從紛繁復(fù)雜的數(shù)據(jù)集中挖掘有用信息的技術(shù)，人類社會從二十世紀(jì)進入信息爆炸時代以來大量數(shù)據(jù)信息產(chǎn)生，信息數(shù)量的激增在帶來商業(yè)、文化和科學(xué)技術(shù)飛速發(fā)展的同時，也給人類獲取有用信息帶來了麻煩，于是數(shù)據(jù)挖掘在這種形式下產(chǎn)生了。經(jīng)過學(xué)者們多年的努力，數(shù)據(jù)挖掘技術(shù)越來越成熟，應(yīng)用范圍也越來越廣泛，并產(chǎn)生了多個分支，聚類分析更是其中的佼佼者。
　　 聚類分析是數(shù)據(jù)挖掘中研究與應(yīng)用較為成功的一門挖掘技術(shù)?，F(xiàn)實世界中應(yīng)用的多樣性與數(shù)據(jù)

2、的復(fù)雜性給聚類分析帶來了極大的麻煩，某一類型的數(shù)據(jù)往往對應(yīng)一種特定的算法，大部分算法不具備普遍應(yīng)用性。近些年來，學(xué)者們通過對螞蟻群體性行為的研究提出了蟻群聚類算法，相對于傳統(tǒng)聚類分析算法該算法可以處理的數(shù)據(jù)類型具有多樣性，并且可以發(fā)現(xiàn)任意形狀的簇，無需過多的人為指導(dǎo)，算法的健壯性也較高。但是作為一種模擬生物進化的算法，它的缺陷也是極為明顯的，算法運行需要耗費大量的時間。因此在本文中試圖將其與一種成熟的傳統(tǒng)聚類分析算法進行結(jié)合以便通過二者

3、的優(yōu)勢互補來達到較好的聚類效果。在本文中選取的傳統(tǒng)聚類算法是模糊C－均值聚類算法。
　　 模糊聚類算法是一種非常成熟的聚類分析方法，它的基礎(chǔ)是函數(shù)最優(yōu)化方法，利用了數(shù)學(xué)理論中的微積分計算技術(shù)。它對現(xiàn)實世界的反映采取一種較為客觀的態(tài)度，這使得模糊聚類被廣泛的應(yīng)用于圖像分割、模式識別、大規(guī)模數(shù)據(jù)分析等領(lǐng)域。模糊聚類算法種類有很多，而模糊C－均值即FCM算法是這些算法中較有代表性的一個，它在現(xiàn)實社會中也有著十分廣泛的應(yīng)用且非常成功。該

4、算法簡單、運行速度快，但在算法運行初要設(shè)置簇的個數(shù)及聚類中心等參數(shù)，這導(dǎo)致算法受到人為的影響很大。
　　 混合聚類是通過研究不同的聚類算法并將兩種或多種聚類算法進行結(jié)合，該種算法通過各種算法優(yōu)勢互補，獲得更加優(yōu)秀的聚類效果。本文將蟻堆聚類算法和模糊C－均值聚類算法進行結(jié)合，并對原始的蟻堆算法進行了一系列的改進，以便適應(yīng)于新的混合聚類算法。蟻堆算法改進主要包括三個部分，均是針對該算法耗費時間長的缺陷進行改進的。
　　 首先

5、，算法中刪減了原始算法中螞蟻三種速度的設(shè)定，保留一種速度，以便盡快完成初始聚類。其次，新算法中對數(shù)據(jù)對象在二維數(shù)組中的位置進行了保存，這樣螞蟻在尋找數(shù)據(jù)對象時就可以避免空跳、節(jié)省時間了。最后，對螞蟻卸載數(shù)據(jù)對象的策略上也進行了修改，以便使得適合的數(shù)據(jù)放在適合的位置。
　　 新算法最后針對UCI機器學(xué)習(xí)庫的公開數(shù)據(jù)進行了實驗，實驗結(jié)果表明這種新型混合算法是有效的，能夠提高聚類結(jié)果的質(zhì)量。但該算法仍然需要耗費較長的時間，主要原因存在