核空间二次蚁群聚类算法的研究.pdfVIP

核空间二次蚁群聚类算法的研究 论文摘要：传统的聚类算法在处理复杂特征数据时效果不理想，为此提出使用高斯径向基 核函数将原空间上的数据映射到高维特征空间后，再用蚂蚁算法进行第一次聚类，针对第 一次聚类结果得到较多簇等问题，提出再用马赛克算法进行二次聚类，得到较为接近真实 情况的簇数目。UCI数据集中的鸢尾花数据集，第三类数据由于与其它两类有特征交叉现 象，很难被传统聚类算法准确识别，但本文的核空间二次蚂蚁聚类算法在此数据集上取得 较为理想的结果。 论文关键词：核函数,蚁群聚类,马赛克算法 　　（一）引言 　　聚类（clustering）分析已经广泛地用于许多应用领域。Deneubourg[2]等于 1991 年，根据蚂蚁堆积尸体的行为提出了基于蚂蚁的聚类基本模型(DM)，首次将蚁群算法应用 于聚类分析。随后，Ramos等人提出了 ACLUSTER算法[3]。ACLUSTER算法改进了以 往蚂蚁聚类模型中蚂蚁的拾起和放下物体的策略，并且引入信息素模型指导人工蚂蚁的移 动，避免了算法中蚂蚁过多地在无物体分布区域耗时的随机搜索，减少了时间开销；引入 了对应于多种任务的响应阈值，使得人工蚂蚁在计算拾起或放下概率时考虑了周围的物体 数量，更有利于形成簇；去掉了人工蚂蚁的记忆能力并取消了不同速度的蚂蚁，保持了算 法模型的简单性，并减少了相应的计算时间和存储空间开销。这些改进有效地改善了聚类 的效果，并能应用于文本聚类、图像模式识别、Web挖掘等任务。 　　核函数方法能将原空间中的样本映射到未知的高维特征空间，从而优化样本特征，改 善学习性能[。本文针对高维数据的特性，将核函数方法引入 ACLUSTER蚁群聚类算法， 将数据映射到高维特征空间进行聚类，该算法有效地把样本投影成一维的距离数据值，易 于聚类。针对 ACLUSTER算法收敛速度慢、形成簇过多等问题，本文提出新的聚类策略， 通过使用不同参数设置的两次聚类对数据进行聚类。最后通过实验说明，二次快速蚁群聚 类算法提高了算法的时间效率，并且改善了聚类的效果。 　　（二）核空间两点距离的计算方法 　　在原欧几里德空间中，数据对象 X和 Y之间的距离定义为： 　　 ,其中 n为对象的维数。 　　将对象 X，Y通过核函数映射到核空间，利用核的定义便可以推导在核空间中的距离。 特征空间中的欧几里德距离可表示为： 　　 　　上式展开得： 　　 　　因为 K(x,y)=φ(x)·φ(y)，所以将上式直接用核函数表示为： 　　 　　代入高斯径向基核函数，可推出特征空间中的欧几里德距离： 　　 消 防 中 队 副 中 队 长 201 6年 度 述 职 报 告 　 　 今 年 以 来 ， 在 各 级 领 导 的 关 心 支 持 下 ， 我 认 真 钻 研 业 务 ， 始 终 以 高 标 准 严 格 要 求 自 己 ， 踏 实 工 作 ， 较 好 地 完 成 了 各 项 工 作 任 务 。 现 就 今 年 的 主 要 工 作 做 以 下 述 职 ： 　 　 一 、 不 断 加 强 学 习 ， 努 力 提 高 自 身 素 质 　 　 一 是 加 强 基 础 理 论 的 学 习 ， 夯 实 政 治 理 论 功 底 。 我 积 极 参 加 各 项 政 治 教 育 理 论 学 习 ， 认 真 完 成 各 类 学 习 笔 记 。 一 年 来 ,重 点 学 习 了 改 革 强 警 重 要 思 想 和 两 学 一 做 专 题 教 育 。 在 学 习 中 ， 以 学 以 致 用 为 主 ， 将 理 论 与 实 际 相 结 合 ， 注 重 学 习 效 果 ， 打 牢 思 想 根 基 ， 提 高 自 身 的 思 想 觉 悟 和 道 德 水 准 。 通 过 学 习 ， 政 治 觉 悟 、 理 论 水 平 得 到 提 高 ， 党 性 修 养 得 到 加 强 ， 在 实 际 工 作 中 更 加 明 确 方 向 ， 更 加 自 觉 地 按 照 科 学 发 展 观 的 要 求 去 思 考 问 题 ， 谋 划 工 作 。 　 　 二 是 认 真 学 习 党 纪 政 纪 条 规 ， 始 终 坚 持 为 人 民 服 务 的 宗 旨 。 进 一 步 加 强 了 世 界 观 的 改 造 ， 牢 固 树 立 为 人 民 服 务 的 思 想 ， 端 正 思 想 作 风 ， 提 升 思 想 境 界 ， 切 实 做 到 为 民 、 务 实 、 清 廉 。 牢 固 树 立 科 学 的 世 界 观 、 人 生 观 、 价 值 观 ， 坚 持 人 民 利 益 第 一 ； 保 持 思 想 道 德 的 纯 洁 性 ， 正 确 对 待 权 力 、 金 钱 、 名 利 ， 努 力 做 一 个 无 愧 于 党 、 无 … … 市 201 6年 庆 祝 教 师 节 大 会