基于 AFS 优化初始聚类中心的 GK 聚类模型.pdfVIP

书华 南 理 工 大 学 学 报 （自 然 科 学 版 ） 第 ４２ 卷 第 ９ 期 Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｖｏｌ．４２　Ｎｏ．９ ２０１４ 年 ９ 月 （Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｓｅｐｔｅｍｂｅｒ　２０１４ 文章编号：１０００５６５Ｘ（２０１４）０９００６５０５ 　 　收稿日期：２０１４０４２３ 基金项目：国家自然科学基金资助项目５１４７９２１６）；国家科技支撑计划项目（２０１２ＢＡＣ２１Ｂ０１０３）；教育部高等学 校博士学科点专项科研基金新教师类资助课题（２０１ １４４０７１２０００６）；广东省自然科学基金博士启动项目（Ｓ２０１ １０４０００５９９２）； 广东高校优秀青年创新人才培养计划（育苗工程）项目（ＬＹＭ１１０４９）；水利部公益项目（２０１２０１０９４，２０１３０１００２０２）；广东省 水利科技创新项目（２０１ １１１） 　作者简介：汪丽娜（１９８１），女，副教授，主要从事水资源的异变性研究．Ｅｍａｉｌ：ｌｉｎａｗａｎｇ２００４＠１６３．ｃｏｍ 通信作者：陈晓宏（１９６３），男，教授，主要从事水文、水资源与环境研究．Ｅｍａｉｌ：ｅｅｓｃｘｈ＠ｍａｉｌ．ｓｙｓｕ．ｅｄｕ．ｃｎ 基于 ＡＦＳ 优化初始聚类中心的 ＧＫ 聚类模型 汪丽娜１　陈晓宏２ （１．华南师范大学 地理科学学院∥智慧国土与资源环境研究中心，广东 广州 ５１０６３０；２．中山大学 水资源与 环境研究中心∥华南地区水循环和水安全广东普通高校重点实验室，广东 广州 ５１０２７５） 摘　要：ＧｕｓｔａｆｓｏｎＫｅｓｓｅｌ（ＧＫ）聚类算法可以有效地有哪些信誉好的足球投注网站超椭球、平面和线型的数据类，但 仍然存在对初始聚类中心较敏感、易于陷入局部最优的缺陷．为此，文中根据鱼群觅食与 聚类的相似性，利用人工鱼群（ＡＦＳ）算法对聚类中心进行初始化，提出了改进的 ＧＫ 聚 类算法，并利用人工数据集和 ＩＲＩＳ 数据集进行仿真研究．结果表明，文中算法能有效地发 现数据集中的聚类结构，聚类效果优于 ＧＫ 聚类算法． 关键词：聚类分析；ＧＫ 聚类算法；优化；初始聚类中心 中图分类号：ＴＰ １８ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００５６５Ｘ．２０１４．０９．０１２ 聚类研究是数据挖掘、模式识别等研究方向的 重要研究内容之一［１３］．聚类对识别数据的内在结 构起着重要的作用，目前，关于聚类的研究方法有很 多．ＧｕｓｔａｆｓｏｎＫｅｓｓｅｌ（ＧＫ）算法［４］是 ＦＣＭ算法的改 进算法，它是自适应动态聚类算法的模糊推广．ＧＫ 算法在距离范数计算上引入了自适应机制，可以从 数据集中检测出不同形状的聚类，能对数据集进行 有效的分类［５６］．但该算法存在对初始聚类中心和 聚类数较为敏感，易于陷入局部最优的缺陷．为克服 这些缺陷，李柠等［７］从系统输入输出数据出发，依 据用户满意为最终目标的原则，提出了一种简单有 效的快速满意聚类中心确定方法；张妨妨等［８］利用 改进的熵聚类思想来确定初始聚类中心，并根据聚 类数和新的聚类中心进行聚类，结果表明改进后的 聚类算法具有更高的聚类准确率． 文中根据鱼群觅食与聚类的相似性，利用人工 鱼群（ＡＦＳ）算法对聚类中心进行初始化，提出了改 进的 ＧＫ 算法（ＡＦＳＧＫ），并利用人工数据集和 ＩＲＩＳ 数据集进行仿真研究． １　改进的 ＧＫ 聚类算法 １．１　传统 ＧＫ 算法 ＧＫ 算法［４］是距离自适应动态聚类算法的模糊 推广，它可以有效地有哪些信誉好的足球投注网站超椭球、平面或线型的数据 类，详细的计算原理见文献［８］． 该算法的具体计算步骤如下： （１）计算聚类中心 ｖ ｉ ＝∑Ｎ ｋ ＝１ μｍｉｋｘ (ｋ ∑Ｎｋ ＝１ μｍｉ )ｋ －１ ， １≤ｉ≤ｃ；其中，ｍ 为加权指数，ｃ 为分类数，μｉｋ为模糊 划分矩阵元素，ｘｋ为被分类的样本，ｖ ｉ为聚类中心集 合，Ｎ为样本数． （２）计算类协方差矩阵 Ｆｉ ＝∑Ｎ ｋ ＝１ （ｘｋ －ｖ ｉ）（ｘｋ － ｖ ｉ） (Ｔ ∑Ｎｋ ＝１ μｍｉ )ｋ －１ ，１≤ｉ≤ｃ． （３）计算距离 ｄ２ｉｋＡｉ ＝（ｘｋ －ｖ ｉ）ＴＡｉ（ｘｋ －ｖ ｉ），Ａｉ ＝ ｄｅｔ（Ｆｉ） １ ｄ Ｆ－１ｉ ，１≤ｉ≤ｃ，１≤ｋ≤Ｎ． （４）更新μｉｋ ＝ｄ２（ｘｋ，ｖｉ）－ １ｍ [－１ ∑ｃｉ ＝１ ｄ２（ｘｋ，ｖｉ）－ １ｍ－ ]１ －１ （１≤ｉ≤ｃ，１≤ｋ≤Ｎ），直到 Ｕｋ －Ｕｋ －１ ＜ε为止，Ｕｋ 为隶属度矩阵，ε为设定的误差值． １．２　人工鱼群算法 ＡＦＳ 算法是李晓磊等［９］提出的一种仿生智能优 化算法．研究发现，湖水中的鱼类觅食时聚集成群的 现象，与数据样本的聚类有着惊