基于模糊C均值与量子行为粒子群优化的混合数据聚类
神经与进化计算
2018-10-23 v1
摘要
模糊聚类已成为一种广泛使用的数据挖掘技术,并在针对用户指定应用的数据分组、遍历与选择性使用中扮演重要角色。确定性的模糊C均值(FCM)算法在应用于现实世界、时间受限问题中的多维数据时,可能产生次优解。本文将以全连接拓扑的量子行为粒子群优化(QPSO)与模糊C均值聚类算法相耦合,并在来自 UCI Machine Learning Repository 的一组数据集上进行了测试。QPSO 算法的全局搜索能力有助于避免陷入局部最优,而 FCM 的软聚类方法有助于基于隶属概率对数据进行划分。针对所考量的所有数据集,我们给出了 PSO K-Means、QPSO K-Means 与 QPSO FCM 等竞争技术的聚类性能指数,如 F-Measure、Accuracy、Quantization Error、簇间与簇内距离。实验结果表明,QPSO FCM 相较于其他方法提供了可比且在多数情况下更优的结果。
引用
@article{arxiv.1712.05512,
title = {Data Clustering using a Hybrid of Fuzzy C-Means and Quantum-behaved Particle Swarm Optimization},
author = {Saptarshi Sengupta and Sanchita Basak and Richard Alan Peters},
journal= {arXiv preprint arXiv:1712.05512},
year = {2018}
}
备注
6 pages, 6 figures, 6 tables