武志伟
- 作品数：3 被引量：8H指数：2
- 供职机构：长沙理工大学计算机与通信工程学院更多>>
- 发文基金：湖南省自然科学基金湖南省教育厅科研基金湖南省教育厅重点项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于改进流形距离和人工蜂群的二阶段聚类算法被引量：3
- 2016年
- 以改进的流形距离为相似度测度,结合人工蜂群算法,提出一种二阶段聚类算法.首先根据局部密度、最大最小距离和近邻选择对数据集初步归类并得到簇代表点;然后将聚类归属为优化问题,通过改进的蜂群算法对簇代表点及没归类的样本点较快地搜索到最优聚类中心,同时根据流形距离的全局一致性特征,对样本进行精确的类别划分;最后将两阶段算法综合归类.实验结果表明,所提出的算法可以获得良好的聚类效果.
- 夏卓群欧慧李平武志伟戴傲
- 关键词：流形距离人工蜂群算法
- 基于改进流形距离的粗糙集k-means聚类算法被引量：4
- 2016年
- 针对现有的基于流形距离的聚类算法对"绝对流形"数据集较"相对流形"数据集聚类效果佳和参数ρ在较大范围内变化时,聚类性能较差等问题,提出基于改进流形距离的粗糙集k-means聚类算法。该算法通过用属性划分和最大最小距离选择初始聚类中心,以改进的流形距离和粗糙集优化k-means,并结合终止判断条件以达到解决边界数据聚类问题和提升聚类效果的目的。仿真结果表明:该算法对"绝对流形"和"相对流形"数据集聚类效果均有较好改善,且参数变化对聚类性能影响较大。
- 欧慧夏卓群武志伟
- 关键词：K-MEANS算法粗糙集适应度函数
- 基于属性划分和弧形距离的层次聚类算法被引量：1
- 2015年
- 传统k-means初始中心随机选取,在较大范围内,利用以流形距离为相似度测度的参数不能较好地反映数据集的全局一致性。为此,基于属性划分和弧形距离,提出一种层次聚类算法。依据粒计算中属性划分思想和最大最小距离法则选择初始阶段的类代表点,根据k-means进行粗聚类。采用新的距离测度,即弧形距离和反映类内相似度大类间相似度小的准则函数,对初阶段类代表点聚类归类得到期望类代表点。每个数据点依据其类代表点的类标签信息找到自己所属的类标签。实验结果表明,与其他算法相比,该算法较好地体现数据集的全局一致性,减少了运行时间。
- 夏卓群欧慧武志伟范开钦
