欢迎您！东篱公司
退出
-
申报数据库
-
立项数据库
-
成果数据库
-
项目获奖数据库
中文摘要：
在K-Means聚类、PSO聚类、K-Means和PSO混合聚类（KPSO）的基础上，研究了基于量子行为的微粒群优化算法（QPSO）的数据聚类方法，并提出利用K—Means聚类的结果重新初始化粒子群。结合QPSO的聚类算法，即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean（欧几里得）距离。K-Means算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能，结果显示基于QPSO算法的数据聚粪性能比一般PSO算法更好。
英文摘要：
This paper investigates Quantum-behaved Particle Swarm Optimization （QPSO） algorithm to cluster data based on the K-Means clustering, PSO clustering and KPSO clustering. After that we introduce using K-Means clustering to seed the initial swarm, combing with QPSO to cluster data, namely KQPSO and introduce how these algorithms can be used to find the centroids of a user specified number of clusters. All the process of clustering based on the Euclidean distance among data vectors. The differences between K-Means, PSO, QPSO is the evolution of the cluster-centroids. Finally, we compare the performance of the five clustering method on three data sets. The experiments result show QPSO clustering superiority.
同期刊论文项目
同项目期刊论文
期刊信息
位置：