k均值聚类算法的实现.docVIP

浅谈模糊C均值聚类算法的并行化研究 　　 　　1 模糊C均值聚类算法（FCM） 　　模糊C均值聚类算法[1]的基本思想是确定每个样本数据隶属于某个聚类的程度，把隶属程度相似的样本数据归为一个聚类。FCM把n个样本集合X={x1，x2，…，xn}分为c个模糊组，并且求每组的聚类中心Ci（i=1，2，…c），使得目标函数最小，该算法是优化目标函数的迭代过程。这个过程从一个随机的隶属度矩阵开始，确定聚类中心计算目标函数，通过迭代过程达到样本分类。 　　初始化：给定样本数n，聚类数c∈[2，n]，模糊度m=2，迭代停止阈值 　　（4）如果目标函数的改变量小于？棕，停止算法，否者重复（2）直到改变量小于？棕。为了确保FMC得到一个最优解，要不断调整隶属度矩阵，需多次运行该算法。 　　2 多核技术与工具软件 　　2.1 Intel Parallel Amplifier高性能工具 　　Intel Parallel Amplifier是英特尔在2009年发布的高性能工具[2]，界面设计友好，操作简单方便。开发人员只需要运行工具就可对串行程序进行分析，研究分析结果进行并行化设计，确保多核的完全利用。IPA（Intel Parallel Amplifier）有以下三种类型的性能分析。 　　（1）热点（Hotspot）分析：运行热点分析可收集到不同类型的数据，确定应用程序运行消耗的时间，以及识别出最耗时