收藏本站
《中北大学》 2017年
加入收藏

K-均值算法与自组织神经网络算法的改进研究及应用

王晓燕  
【摘要】:聚类分析广泛应用于各学科,如模式识别、图像处理、机器学习以及统计学等。k-均值算法是最常用的一种聚类算法。而随着人工神经网络的快速发展,人工神经网络的应用也越来越广,神经网络中的自组织竞争神经网络常用于模式识别领域。本文主要针对k-均值算法与自组织竞争神经网络进行了研究,并研究了算法在人脸识别、入侵检测及缺陷检测中的应用。具体研究内容如下:(1)近年来提出了一种新的k-均值算法即全局k-均值算法,它是一种逐步增加聚类中心的算法,算法每一次进行全局搜索确定一个初始中心,聚类准则与k-均值算法相同即以聚类误差为准则。全局k-均值算法有时候得到的簇只有一个元素;有时候选取的初始点很差,而初始点选取不好会导致局部最优解的出现,即达不到理想的聚类效果。首先为了消除得到的簇只有一个元素的缺点,提出了改进的全局k-均值算法;其次,应用MinMax k-均值算法的思想对全局k-均值算法进行了改进,得到了更好的初始点。提出的算法在通用的数据集上进行了测试,测试结果与k-均值算法、全局k-均值算法以及MinMax k-均值算法进行对比,实验结果表明,提出的算法优于其它几种算法。(2)MinMax k-均值算法通过使最大类内误差最小化来解决初始点选取不佳带来的影响。该算法中存在两个参数,即指数参数和记忆参数。选取不同的参数将得到不同的聚类误差,因此参数的选取至关重要。原始算法中认为只要给定指数参数选择的最大值,算法将自适应的选取最佳参数从而使得最大类内误差最小。然而,实验表明,这种说法并不是完全正确的。因此,应用粒子群算法对原始算法进行了修正,修正后的算法在每次实验中都可以得到使得最大类内误差最小化的最优参数。提出的算法在不同的数据集中进行了测试,测试结果与k-均值算法及原始MinMax k-均值算法进行比较,结果显示,提出的算法的聚类误差最小。(3)为了克服自组织竞争神经网络中的科荷伦自组织映射网络(SOM)分类类别数比实际类别多的缺陷,提出基于系统聚类法改进的SOM神经网络算法和基于k-均值算法改进的SOM神经网络算法。将改进的算法应用到人脸朝向识别和入侵检测中,实验结果表明,与学习向量量化神经网络、模糊c-均值聚类算法、基于模糊聚类广义回归神经网络算法相比,提出的算法聚类效果更好。(4)稀疏子空间聚类是利用稀疏表示系数构造稀疏相似图从而对子空间聚类进行。根据稀疏表示技术,算法应用1l范数得到稀疏系数,再通过谱聚类的方法得到最终的聚类结果。而谱聚类算法是利用k-均值算法对数据进行聚类,k-均值算法对初始值的选取比较敏感,而且需要大量重复运行,为了克服这两个缺点,提出了两种改进稀疏子空间聚类的方法。算法改进后,得到的结果将不再受到初始中心选择和重复运行的影响。第一种改进算法利用比较相似图中邻接矩阵的零元素所在的位置得到聚类结果;第二种改进算法应用改进的SOM分类算法代替k-均值算法进行聚类。将基于改进的SOM分类算法的稀疏子空间聚类方法应用到人脸识别上,实验结果表明,提出的算法得到的结果优于原始的稀疏子空间聚类算法的识别结果。(5)金属表面缺陷的分类在激光超声缺陷检测中具有重要的作用。提出了利用自组织竞争网络,自组织竞争神经网络的扩展网络学习向量量化神经网络和概率神经网络等方法对激光超声探伤缺陷表面波进行分类。讨论了三种网络在不同输入情况下的分类效果。实验结果表明这三种神经网络都可以取得良好的分类效果。
【关键词】:k-均值 SOM 子空间聚类 系统聚类法 入侵检测 缺陷检测 人脸识别
【学位授予单位】:中北大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:TP183;TP311.13
【目录】:
  • 摘要5-7
  • abstract7-14
  • 第1章 绪论14-25
  • 1.1 研究背景及意义14-16
  • 1.2 聚类的历史发展16-17
  • 1.3 聚类的主要方法17-20
  • 1.4 聚类个数的确定20-21
  • 1.5 聚类结果评价方法21-22
  • 1.6 本文研究内容22-23
  • 1.7 本文主要创新点23-25
  • 第2章 改进的k - 均值算法25-58
  • 2.1 k - 均值算法25
  • 2.2 k - 均值算法研究现状25-27
  • 2.3 全局k - 均值算法27-28
  • 2.4 MinMax k - 均值算法28-29
  • 2.5 粒子群优化算法29-30
  • 2.6 改进的全局k - 均值算法30-32
  • 2.7 全局MinMax k - 均值算法32-33
  • 2.8 PSO MinMax k - 均值算法33-36
  • 2.9 实验数据36-38
  • 2.9.1 人工生成数据36-37
  • 2.9.2 实际数据37-38
  • 2.10 实验结果及分析38-49
  • 2.10.1 全局MinMax k - 均值算法实验结果及分析38-47
  • 2.10.2 PSO MinMax k - 均值算法实验结果及分析47-49
  • 2.11 本章小结49-58
  • 第3章 SOM改进算法及应用58-73
  • 3.1 自组织竞争神经网络58-63
  • 3.1.1 自组织竞争网络58-59
  • 3.1.2 SOM59-60
  • 3.1.3 LVQ60-63
  • 3.2 系统聚类法63
  • 3.3 SOM研究现状63-64
  • 3.4 改进的SOM分类算法64-66
  • 3.4.1 基于系统聚类法改进的SOM分类算法64-65
  • 3.4.2 基于k - 均值算法改进的SOM分类算法65-66
  • 3.5 基于系统聚类法改进的SOM算法在人脸朝向识别上的应用66-69
  • 3.5.1 人脸识别66-67
  • 3.5.2 实验结果及分析67-69
  • 3.6 改进的两种算法在入侵检测实验上的应用69-72
  • 3.6.1 入侵检测69-70
  • 3.6.2 实验结果及分析70-72
  • 3.7 本章小结72-73
  • 第4章 基于改进的SOM分类算法的稀疏子空间聚类73-83
  • 4.1 子空间聚类算法73-74
  • 4.2 稀疏子空间聚类算法研究现状74
  • 4.3 SSC74-75
  • 4.4 提出的算法75-78
  • 4.4.1 SSC算法分析75-76
  • 4.4.2 MSSC76-77
  • 4.4.3 SSCSOM77-78
  • 4.5 MSSC算法性能分析78-79
  • 4.5.1 人工合成数据78-79
  • 4.5.2 实验结果及分析79
  • 4.6 SSCSOM算法在人脸识别上的应用79-81
  • 4.6.1 人脸图像数据79-80
  • 4.6.2 实验结果及分析80-81
  • 4.7 本章小结81-83
  • 第5章 自组织竞争网络在激光超声探伤表面波分类上的应用83-93
  • 5.1 研究背景及意义83-84
  • 5.2 实验说明84-85
  • 5.3 概率神经网络85-87
  • 5.4 实验数据处理过程及结果分析87-91
  • 5.4.1 自组织竞争网络数据处理过程及结果分析87-88
  • 5.4.2 LVQ神经网络数据处理过程及结果分析88-90
  • 5.4.3 PNN数据处理过程及结果分析90-91
  • 5.4.4 三种神经网络预测结果对比分析91
  • 5.5 本章小结91-93
  • 第6章 总结与展望93-95
  • 6.1 工作总结93-94
  • 6.2 工作展望94-95
  • 参考文献95-108
  • 攻读博士学位期间发表的论文及所取得的研究成果108-109
  • 致谢109

【相似文献】
中国期刊全文数据库 前10条
1 于剑;论模糊C均值算法的模糊指标[J];计算机学报;2003年08期
2 李宇泊;李秦;;对k均值算法和硬C-均值算法的对比分析[J];洛阳理工学院学报(自然科学版);2012年01期
3 刘艳丽;刘希云;;一种基于密度的K-均值算法[J];计算机工程与应用;2007年32期
4 刘艳丽;刘希玉;孟岩;祖伟;;K-均值算法聚类分析及其在人力资源管理中的应用[J];山东科学;2008年02期
5 宋凌;李枚毅;李孝源;;基于粒群优化的K均值算法及其应用[J];计算机工程;2008年16期
6 闫仁武;雷艳云;任平;李从;;粒子群的K均值算法在电信客户细分中的应用[J];科学技术与工程;2009年20期
7 黄超;何晋;;基于模糊C均值算法的云南草药聚类分析[J];计算机应用;2012年S2期
8 邹海;李梅;;一种用于文本聚类的改进二分K-均值算法[J];微型机与应用;2010年12期
9 陈杰;朱娟;;基于簇间相似度判定的自适应K均值算法[J];计算机工程与设计;2010年10期
10 刘霞;洪飞龙;;遗传模糊C均值算法在入侵检测中的应用[J];信息安全与通信保密;2006年07期
中国重要会议论文全文数据库 前3条
1 杨保峰;沈越泓;;模拟信源标量量化的模糊c-均值算法[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年
2 颜祥;俞一彪;戴志强;袁冬梅;;基于均值算法的男女声与情感的同步变换[A];2006’和谐开发中国西部声学学术交流会论文集[C];2006年
3 韩敏;范剑超;;基于半监督改进模糊C均值算法的遥感聚类研究[A];第二十七届中国控制会议论文集[C];2008年
中国博士学位论文全文数据库 前1条
1 王晓燕;K-均值算法与自组织神经网络算法的改进研究及应用[D];中北大学;2017年
中国硕士学位论文全文数据库 前10条
1 郑杰;基于改进人工蜂群的K均值混合聚类算法及其应用[D];江西理工大学;2015年
2 蒋大宇;快速有效的并行二分K均值算法[D];哈尔滨工程大学;2013年
3 汪浩平;基于K-均值的文本聚类分析[D];贵州大学;2008年
4 朱建宇;K均值算法研究及其应用[D];大连理工大学;2013年
5 厉于行;聚类分析中基于投影的κ均值算法[D];浙江大学;2012年
6 张超;SKK-均值算法及其在人脸检测中的应用[D];河北大学;2010年
7 王嘉;模糊C-均值算法在拼车系统中的应用[D];东北大学 ;2009年
8 谷智明;基于模糊C均值算法的PS版瑕疵分类[D];长春理工大学;2012年
9 范光平;一种基于变长编码的遗传K均值算法研究[D];浙江大学;2007年
10 曹守营;基于并行K-均值算法的网络广告精确营销系统设计[D];山东科技大学;2007年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026