基于QPSO的数据聚类

在KMeans聚类、PSO聚类、KMeans和PSO混合聚类（KPSO）的基础上,研究了基于量子行为的微粒群优化算法（QPSO）的数据聚类方法,并提出利用KMeans聚类的结果重新初始化粒子群,结合QPSO的聚类算法,即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean（欧几里得）距离。KMeans算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能,结果显示基于QPSO     

基于QPSO数据聚类的图像颜色分割

聚类算法在数据分析及数据挖掘等许多领域有广泛应用,在聚类方法中引入一种新的距离度量标准替代传统的Euclidean距离度量标准以提高其健壮性,并在此基础上提出基于粒子群算法(Particle Swarm Optimization,简称PSO)的聚类方法和基于量子行为的微粒群优化算法(Quantum-behaved Particle Swarm Optimization,简称QPSO)的聚类方法,然后将两种聚类方法应用于图像分割.实验结果表明,基于QPSO的聚类方法性能优于基于PSO的聚类方法.     

基于协同聚类的两阶段文本聚类方法

为了将语义信息用于文本聚类和有效地进行特征选择,文中提出一种基于协同聚类的两阶段文本聚类方法.该方法分别对文档和特征进行聚类从而得到特征与主题之间的语义关联关系.然后利用此关系来相互调整彼此的聚类结果.实验结果表明,利用特征与主题之间的语义关联关系能有效提高聚类效果.     

一种基于聚类模式的RDF数据聚类方法

如何有效管理并利用日益庞大的RDF数据是当今Web数据管理领域面临的挑战之一。对大规模的RDF数据集进行聚类操作从而得到数据集的有效划分是RDF数据存储和应用时通常采取的策略。针对现有RDF聚类过程中忽略RDF三元组自身模式特征的问题,在对RDF聚类结果的形式深入分析的基础上,定义了3种不同类型的聚类模式,从而提出基于模式的聚类方法。通过对RDF数据集的重新描述,自动生成适用于RDF数据集特征的聚类模式,在此基础上实现数据聚类的任务。在不同测试集上的实验结果验证了所提方法的正确性和有效性。     

基于网格的数据流聚类算法

本文提出的基于网格的数据流聚类算法,克服了算法CluStream对非球形的聚类效果不好等缺陷,不仅能在噪声干扰下发现任意形状的类,而且有效地解决了聚类算法参数敏感和聚类结果无法区分密度差异等问题。     

基于稳定性的基因表达数据聚类算法选择

聚类是一种常用的基因表达数据处理手段,然而它又是主观的,如何选择符合数据内在分布的聚类算法成为目前急待解决的问题.根据经验,当选择最佳簇数k后,采用合理的聚类算法对目标数据重复聚类时,结果稳定性较好.因此提出一种基于稳定性的聚类算法选择.该方法将聚类结果的簇间分离度、簇内紧致度和聚类结果稳定性三者结合起来.在验证和应用三组数据时发现,比传统的评估方法,基于稳定性的聚类算法选择更客观、更可靠.     

基于混合聚类的中文词聚类

文本聚类在文本挖掘和信息检索系统中发挥着重要的作用,而词聚类是文本聚类的基础。提出了一种基于混合聚类的中文词聚类方法,它将层次聚类和概念聚类结合起来,以缩短整个聚类时间。首先对预处理后的词集进行初始聚类,然后从每个类中各取一个出现次数最多的词组成新的词集,最后对该词集进行再聚类。实验表明,这种方法有效降低了中文词聚类的时间复杂度。     

基于相对密度的聚类算法

基于密度的聚类算法因其抗噪声能力强和能发现任意形状的簇等优点,在聚类分析中被广泛采用,本文提出的基于相对密度的聚类算法,在继承上述优点的基础上。有效地解决了基于密度的聚类结果对参数值过于敏感、参数值难以设置以及高密度簇完全被相连的低密度簇所包含等问题。     

基于引力搜索机制的数据聚类及特征选择算法

为同步选择具有相关特征的数据聚类数量,提出一种基于引力搜索机制的聚类和特征选择算法.设计一种代理表示策略实现聚类中心和特征数量的编码;提出一种动态临界值方法决定聚类和特征数量,通过代理适应度的不断评估寻找最优聚类量和相关特征;分析算法的时间复杂度,通过8个经典数据集测试算法性能,并与7种常规数据聚类算法作对比.实验结果...     

基于遗传算法及聚类的基因表达数据特征选择

特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象（如基因表达数据）的特征选择,一方面可以提高分类及聚类的精度和效率,另一方面可以找出富含信息的特征子集,如发现与疾病密切相关的重要基因。针对此问题,本文提出了一种新的面向基因表达数据的特征选择方法,在特征子集搜索上采用遗传算法进行随机搜索,在特征子集评价上采用聚类算法及聚类错误率作为学习算法及评价指标。实验结果表明,该算法可有效地找出具有较好可分离性的特征子集,从而实现降维并提高聚类及分类精度。     

基于量子行为的微粒群优化算法的数据聚类

在PSO聚类算法的基础上,提出了基于量子行为的微粒群优化算法(QPSO)的数据聚类.QPSO算法不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛.PSO与QPSO算法的不同在于聚类中心的进化上,实验中用到四个数据集比较的结果,证明了QPSO优于PSO聚类方法.在聚类过程中使用了一种新的度量代替Euclidean标准,实验证明了新的度量方法比Euclidean标准更具有健壮性,聚类的结果更精确.     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

量子行为粒子群算法在基因聚类中的应用

在PSO算法的基础上提出的基于量子行为的QPSO算法,并将其应用到基因表达数据集上。QPSO基因聚类算法是将N条基因根据使TWCV（Total Within-Cluster Variation）函数值达到最小分到由用户指定的K个聚类中。根据K-means算法的优点,利用K-means聚类的结果重新初始化粒子群,结合QPSO和PSO的聚类算法提出了KQPSO和KPSO算法。通过在4个实验数据集上利用K-means、PSO、QPSO、KPSO、KQPSO 5个聚类算法得出的结果比较显示QPSO算法在基因表达数据分析上具有良好的性能。     

量子粒子群优化算法的控制参数分析

针对现有的量子粒子群优化算法（ QPSO）中收缩扩张系数α取固定值或线性变化时,不能很好地适应复杂的多维非线性优化搜索问题,提出了两种参数α控制策略：基于Logistic函数的动态非线性递减策略和自适应参数调整策略。在第一种策略中引入S型函数来描述α值在进化过程中的动态变化特性,第二种策略中引入反馈调节方式来控制α值的变化。几个典型函数的实验测试结果表明,两种改进后的参数调整策略对于复杂优化问题在收敛速度和平均最优值上都有所改善,明显优于取固定值或线性变化策略。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

基于量子粒子群优化的网络入侵检测算法

提出了一种将量子粒子群优化算法和半监督模糊核聚类算法相结合的混合算法,用以解决入侵检测算法中模糊聚类算法对初始值敏感,容易陷入局部最优的问题。该算法对少量标记数据进行监督聚类得到正确模型,运用这个模型指导大量未标记数据进行聚类,扩充标记数据集合,对仍没有确定标记的数据利用量子粒子群优化的模糊核聚类算法进行聚类,确定其标记类型。通过KDD CUP99实验数据的仿真,实验结果表明,该算法在入侵检测中能获得理想的检测率和误检率。     

基于量子行为微粒群优化算法的图像增强方法

为了提高图像增强的自适应性和通用性,提出了基于量子行为的微粒群优化算法(QPSO)的图像增强方法,将图像增强作为最优化问题来明确地表示。并且使用了一种新的目标函数评价算法的性能。QPSO没有过多参数需要调整,随机性强,能够保证算法的高效性和全局收敛性。实例仿真证实了QPSO在图像增强上的有效性和优越性。     

基于量子粒子群算法的医学图像配准

医学图像配准是图像融合等图像处理需要先行解决的问题.首先用坎尼算子提取图像的边缘,再用K均值聚类算法进行聚类分析提取轮廓特征点,然后引入了带有量子行为的粒子群优化算法来求解配准所需的空间变换参数.实验结果表明,QPSO能够迅速地在全局范围内找到最优解,应用于多模态医学图像配准是可行的.     

多样性引导的QPSO基因表达数据聚类算法

针对基于粒子群优化的聚类算法容易陷入局部最优值的缺点,提出将量子行为粒子群优化应用于基因表达数据的聚类分析问题中。在新的聚类算法中采用了对粒子群的多样性控制,以提高算法的全局收敛性能;此外还在新算法中引入了类似于K均值聚类的操作步骤,用以提高算法整体的收敛速度。选择Rand指数和Silhouette指数作为聚类评价标准,对5个人工和实际的基因表达数据集合进行聚类实验分析表明,新算法和基于粒子群优化的聚类算法相比,具有较快的收敛速度,粒子多样性的控制能有效改善算法的全局收敛性能。和其他一些常用的聚类算法比较,也能够获得更好的聚类评价,聚类效果更好。     

基于二进制具有量子行为的粒子群算法的多边形近似

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法（BQPSO）。在二进制环境中重新定义粒子的位置向量及距离向量，调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似，解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试，结果表明，该算法较BPSO加快了收敛速度，在相同的容忍误差和迭代次数下找到了更少顶点的多边形。