作为一种爬山法, K-means在很大程度上取决于初始聚类中心和输入模式的选择, 否则无法收敛或收敛到局部最优, 从而导致不确定的聚类结果.为了解决上述问题, 本文研究了一种改进的粒子群优化 (IPSO) , 提出了基于IPSO的K-means算法 (IPSO-KM) .
为了解决粒子群优化(particle swarm optimization, PSO)收敛速度慢和迭代次数多,以及传统K-means聚类算法采取的欧氏距离划分准则会导致聚类效果不理想等问题,构建了基于改进粒子群和K-means聚类的优化算法.根据Sigmoid函数优势,对PSO算法中速度更新公式的惯性权重参数实施改进,得到新的惯性权重公式,有效提高PSO算法的收敛速度...
本发明公开了一种基于粒子群位置更新思想灰狼优化算法的K‑Means文本分类方法,属于数据挖掘领域,该方法包括以下步骤:对文本数据进行预处理,采用余弦角度为相似性度量,分别计算预处理后文本数据向量中的每一个数据对象到每一个初始灰狼个体的初始聚类中心点间的距离,计算下一个灰狼个体的数据分配结果,直到灰狼种群中所有...
针对传统的K—means算法对初始聚类中心的选取敏感,容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法(PSO)的K—means优化聚类算法.该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化:通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法...
大数据云计算环境下的物联网数据挖掘与分析,是企业大数据项集采集,数据样本挖掘与统计分析关注的重要方向之一.通过基于云计算Hadoop分布式软件服务架构,建构起改进粒子群(Particle Swarm Optimization,PSO)优化算法,K-Means聚类挖掘算法,设置自调节惯性权重,云变异算子进行不同类别物联网数据提取,全局搜索,极值追踪与更新,...