东篱科研大数据发现系统（DRDS）

位置：成果数据库 > 期刊 > 期刊详情页

基于调整学习的聚类算法

ISSN号：1673-629X
期刊名称：《计算机技术与发展》
时间：0
分类：TP301.6[自动化与计算机技术—计算机系统结构;自动化与计算机技术—计算机科学与技术]
作者机构：[1]合肥工业大学计算机与信息学院,安徽合肥230009, [2]大连理工大学软件学院,辽宁大连116621
相关基金：国家自然科学基金重大项目（90412007）;国家自然科学基金（60503003）;安徽省教育厅自然科学基金（KJ2008B133,M2008B05ZC）

关键词：调整学习, 调整算子, 局部搜索, 聚类算法, FCM, fine - tuned iearning, fine - tuned operator, local search, clustering algorithm, FCM

中文摘要：

调整学习是一种逐步求精的近似学习方法，是提高局部搜索解质量的重要途径之一。该方法调用调整算子填平局部最优解陷阱，构造一系列不同粒度的搜索空间，降低局部最优解对解质量的影响。利用调整学习的基本原理设计了聚类算法框架CAT_L，并给出了适合处理聚类问题的噪声平滑调整算子。实验对比了经典FCM算法与FCM—CAT_L（以FCM算法作为CAT_L框架的聚类算子）算法的聚类质量。实验结果表明，调整学习方法对提高聚类质量是有效的。

英文摘要：

Fine- tuned learning, one of the important ways to increase the quality of solution of local search algorithm, is an approximation learning method. A fine- tuned operator is used to create a series of different granularity search spaces in which most traps haven＇t been smoothed, so the influence of the traps is reduced. In this paper, a clustering algorithm framework CAT_L （Clustering Algorithm based on Fine - tuned Learning）, stimulated by fine- tuned learning, is proposed. Simultaneously, a noise smoothing fine - tuned oparator, which adapts to deal with clustering problem, is designed. Compared the quality of classical FCM and FCM - CAT_L through experiments, the results show that fine- tuned learning is very effective for increasing the quality of duster.

同期刊论文项目