蛙跳思想的改进聚类模式识别算法

《蛙跳思想的改进聚类模式识别算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、JournalofComputerApplicationsISSN1001-90812012-12-31计算机应用，2012，32(S2):29－31CODENJYIIDUhttp://www．joca．cn文章编号:1001－9081(2012)S2－0029－03基于蛙跳思想的改进聚类模式识别算法*毋建平(中国人民解放军93868部队，银川750025)(*通信作者电子邮箱1776561519@qq．com)摘要:目前武器装备保障维护的经验性强而科学性、智能化弱，开展智能模式识别研究有助于提高部队的维护排故能力。分析了K-均值聚类算法和混合蛙跳算法的特点，找出了

2、二者的相似之处，针对前者对初始聚类中心的选取敏感和聚类过程中聚类中心数目不能动态调整的缺点作了相应的改进，为使二者能有机融合，对后者进行了一定的修改后用于优化改进的K-均值聚类算法。通过对某型空气压缩机车柴油机燃油系统状态技术参数样本进行仿真实验，证明了该方法能够正确聚类，且算法较优。关键词:模式识别;聚类;K-均值;混合蛙跳算法中图分类号:TP18文献标志码:AImprovedclusteringpatternrecognitionbasedonshufflegfrogleapingalgorithm*WUJian-ping(TheNo．93868ArmyofPL

3、A，YinchuanNingxia750025，China)Abstract:Thearmamentmaintenanceisstrongexperiencebutweakscienceandintelligenceatpresent，sostudyingintelligentpatternrecognitioncanhelparmytoenhancemaintenanceandtroubleshootingability．ThecharacteristicsofK-meansclusteringalgorithmandShuffledFrogLeapingAlgo

4、rithm(SFLA)wereanalyzedandcompared．Toovercomethedefectofsensitivityforinitialclusteringcenterchoosingandundynamicadjustmentofthenumberofclusteringcenterintheclusteringprocess，K-meansclusteringalgorithmwasimproved．Soastosynchronizethetowalgorithmsabsolutely，theSFLAwasmodifiedandusedtoop

5、timizetheK-meansclusteringalgorithm．ThesimulationonstatustechnicalparametersforanaircompressordieselenginefuelsystemshowsthatthisimprovedalgorithmbasedonSFLAcanclustercorrectlyanditsclusteringresultsarebetterthanK-meansandparticleswarmoptimizationalgorithms．Keywords:patternrecognition;

6、clustering;K-means;ShuffledFrogLeapingAlgorithm(SFLA)0引言1K-均值聚类算法聚类分析是一种无教师的模式分类法，即在设计分类器1．1K-均值聚类算法概述时，采用的样本所属类别未知，根据样本之间的相似程度进行K-均值算法使用的聚类准则函数是误差平方和准则，通自动分类。这种模式识别算法以武器装备的状态技术数据为过反复迭代优化聚类结果，使所有样本到各自所属类别的中［1］依据，相比目前部队排故所依赖的累积经验法进行故障模式心的距离平方和最小。该算法的实现主要有两种方式:一判断更具科学性、智能化。为改变现状和适应部队未来保障

7、是选定初始聚类中心后，计算所有样本到聚类中心的距离，将模式，开展基于技术样本数据的聚类模式识别研究。所有样本按最小距离原则划分类别，形成初始分类，再重新计K-均值聚类算法作为一种动态聚类方法得到了较好的应算各聚类中心;二是每读入一个样本就把它归于距离最近的一类，形成新的分类并计算新的聚类中心，然后再读入下一个用，该算法的一个显著特征是它的聚类结果与所选聚类中心［1］样本归类。如此反复操作，直到算法找到最佳的分类结果。的数目k和初始聚类中心的选取有较大关系，而目前尚无1．2针对初始聚类中心和K值改进策略较好的处理办法。文献［2－3］采用智能优化算法对初始聚K-均值