K-均值算法與自組織神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)研究及應(yīng)用.pdf

1、聚類分析廣泛應(yīng)用于各學(xué)科，如模式識(shí)別、圖像處理、機(jī)器學(xué)習(xí)以及統(tǒng)計(jì)學(xué)等。k-均值算法是最常用的一種聚類算法。而隨著人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用也越來越廣，神經(jīng)網(wǎng)絡(luò)中的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)常用于模式識(shí)別領(lǐng)域。本文主要針對(duì)k-均值算法與自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究，并研究了算法在人臉識(shí)別、入侵檢測(cè)及缺陷檢測(cè)中的應(yīng)用。具體研究?jī)?nèi)容如下:
　　(1)近年來提出了一種新的k-均值算法即全局k-均值算法，它是一種逐步增加聚類中心的算

2、法，算法每一次進(jìn)行全局搜索確定一個(gè)初始中心，聚類準(zhǔn)則與k-均值算法相同即以聚類誤差為準(zhǔn)則。全局k-均值算法有時(shí)候得到的簇只有一個(gè)元素;有時(shí)候選取的初始點(diǎn)很差，而初始點(diǎn)選取不好會(huì)導(dǎo)致局部最優(yōu)解的出現(xiàn)，即達(dá)不到理想的聚類效果。首先為了消除得到的簇只有一個(gè)元素的缺點(diǎn)，提出了改進(jìn)的全局k-均值算法;其次，應(yīng)用MinMaxk-均值算法的思想對(duì)全局k-均值算法進(jìn)行了改進(jìn)，得到了更好的初始點(diǎn)。提出的算法在通用的數(shù)據(jù)集上進(jìn)行了測(cè)試，測(cè)試結(jié)果與k-均值算

3、法、全局k-均值算法以及MinMax k-均值算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，提出的算法優(yōu)于其它幾種算法。
　　(2)MinMaxk-均值算法通過使最大類內(nèi)誤差最小化來解決初始點(diǎn)選取不佳帶來的影響。該算法中存在兩個(gè)參數(shù)，即指數(shù)參數(shù)和記憶參數(shù)。選取不同的參數(shù)將得到不同的聚類誤差，因此參數(shù)的選取至關(guān)重要。原始算法中認(rèn)為只要給定指數(shù)參數(shù)選擇的最大值，算法將自適應(yīng)的選取最佳參數(shù)從而使得最大類內(nèi)誤差最小。然而，實(shí)驗(yàn)表明，這種說法并不是完全正確的

4、。因此，應(yīng)用粒子群算法對(duì)原始算法進(jìn)行了修正，修正后的算法在每次實(shí)驗(yàn)中都可以得到使得最大類內(nèi)誤差最小化的最優(yōu)參數(shù)。提出的算法在不同的數(shù)據(jù)集中進(jìn)行了測(cè)試，測(cè)試結(jié)果與k-均值算法及原始MinMaxk-均值算法進(jìn)行比較，結(jié)果顯示，提出的算法的聚類誤差最小。
　　(3)為了克服自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)中的科荷倫自組織映射網(wǎng)絡(luò)(SOM)分類類別數(shù)比實(shí)際類別多的缺陷，提出基于系統(tǒng)聚類法改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)算法和基于k-均值算法改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)算法

5、。將改進(jìn)的算法應(yīng)用到人臉朝向識(shí)別和入侵檢測(cè)中，實(shí)驗(yàn)結(jié)果表明，與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)、模糊c-均值聚類算法、基于模糊聚類廣義回歸神經(jīng)網(wǎng)絡(luò)算法相比，提出的算法聚類效果更好。
　　(4)稀疏子空間聚類是利用稀疏表示系數(shù)構(gòu)造稀疏相似圖從而對(duì)子空間聚類進(jìn)行。根據(jù)稀疏表示技術(shù)，算法應(yīng)用l1范數(shù)得到稀疏系數(shù)，再通過譜聚類的方法得到最終的聚類結(jié)果。而譜聚類算法是利用k-均值算法對(duì)數(shù)據(jù)進(jìn)行聚類，k-均值算法對(duì)初始值的選取比較敏感，而且需要大量重復(fù)運(yùn)

6、行，為了克服這兩個(gè)缺點(diǎn)，提出了兩種改進(jìn)稀疏子空間聚類的方法。算法改進(jìn)后，得到的結(jié)果將不再受到初始中心選擇和重復(fù)運(yùn)行的影響。第一種改進(jìn)算法利用比較相似圖中鄰接矩陣的零元素所在的位置得到聚類結(jié)果;第二種改進(jìn)算法應(yīng)用改進(jìn)的SOM分類算法代替k-均值算法進(jìn)行聚類。將基于改進(jìn)的SOM分類算法的稀疏子空間聚類方法應(yīng)用到人臉識(shí)別上，實(shí)驗(yàn)結(jié)果表明，提出的算法得到的結(jié)果優(yōu)于原始的稀疏子空間聚類算法的識(shí)別結(jié)果。
　　(5)金屬表面缺陷的分類在激光超聲