贾伟,华庆一,张敏军,陈锐,姬翔,王博.基于改进粒子群优化的移动界面模式聚类算法[J].计算机科学,2018,45(4):220-226
基于改进粒子群优化的移动界面模式聚类算法
Mobile Interface Pattern Clustering Algorithm Based on Improved Particle Swarm Optimization
投稿时间:2017-02-14  修订日期:2017-05-11
DOI:10.11896/j.issn.1002-137X.2018.04.037
中文关键词:  粒子群优化,移动界面模式,聚类,直觉模糊熵,混沌反向学习
英文关键词:Particle swarm optimization,Mobile interface pattern,Clustering,Intuitionistic fuzzy entropy,Chaotic opposition-based learning
基金项目:本文受国家自然科学基金资助
作者单位E-mail
贾伟 西北大学信息科学与技术学院 西安710127
宁夏大学新华学院 银川750021 
 
华庆一 西北大学信息科学与技术学院 西安710127 huaqy@nwu.edu.cn 
张敏军 西北大学信息科学与技术学院 西安710127  
陈锐 西北大学信息科学与技术学院 西安710127  
姬翔 西北大学信息科学与技术学院 西安710127  
王博 西北大学信息科学与技术学院 西安710127
西安邮电大学计算机学院 西安710121 
 
摘要点击次数: 291
全文下载次数: 239
中文摘要:
      聚类是一种非常有效的信息分析方法。针对现有基于粒子群优化的模糊C均值(Fuzzy C-means,FCM)聚类算法的聚类效果不佳的问题,提出一种基于改进粒子群优化的模糊C均值聚类算法,并将该聚类算法应用到移动界面模式的聚类中。首先,利用直觉模糊熵的几何解释和约束构造合理的直觉模糊熵;然后,在粒子群优化中使用直觉模糊熵判断种群的多样性程度,并引入混沌反向学习策略来提高全局搜索能力;最后,为了增强聚类算法的非线性处理能力,在聚类算法中加入高斯核函数,并将该聚类算法应用到移动界面模式的聚类中。移动界面模式聚类的实验表明,与现有聚类算法相比,文中所提聚类算法具有更好的聚类效果。
英文摘要:
      Clustering is a very efficient method for analyzing information.Focusing on the issue that clustering results of the existing fuzzy C-means clustering algorithms based on particle swarm optimization are not good,a fuzzy C-means clustering algorithm based on improved particle swarm optimization was proposed and applied in mobile interface pattern clustering.Firstly,reasonable intuitionistic fuzzy entropy is constructed by using the geometric interpretation and the constraints of intuitionistic fuzzy entropy.Secondly,in the improved particle swarm optimization,the intuitionistic fuzzy entropy is used to measure the state of particle swarm,and chaotic opposition-based learning is used to improve the global search ability.Finally,the proposed algorithm employs the Gauss kernel function for enhancing nonlinear processing capability,and then it is applied in mobile interface pattern clustering.Experimental results show that the proposed clustering algorithm has better performance in mobile interface pattern clustering than the exis-ting clustering algorithms.
查看全文  查看/发表评论  下载PDF阅读器