基于模拟谐振子的优化K-means聚类算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (30): 122-127.

基于模拟谐振子的优化K-means聚类算法

于海涛1，2，王慧强2，李梓1，韩立娟3

1.大庆师范学院计算机科学与信息技术学院，黑龙江大庆 163712
2.哈尔滨工程大学计算机科学与技术学院，哈尔滨 150001
3.大庆石油管理局采油四厂，黑龙江大庆 163712

出版日期:2012-10-21 发布日期:2012-10-22

Optimized K-means clustering algorithm based on simulated harmonic oscillator

YU Haitao1, WANG Huiqiang2, LI Zi1, HAN Lijuan3

1.School of Computer Science and Information Technology, Daqing Normal University, Daqing, Heilongjiang 163712, China
2.School of Computer Science and Technology, Harbin Engineering University, Harbin 150001, China
3.4th Oil Production Plant, PetroChina Daqing Oilfield, Daqing, Heilongjiang 163712, China

Online:2012-10-21 Published:2012-10-22

摘要/Abstract

摘要： 针对K-means算法全局搜索能力的不足，提出了基于模拟谐振子的优化K-means聚类算法（SHO-KM），该算法克服了K-means聚类算法对初始聚类中心选择敏感问题，能够获得全局最优的聚类划分。为了提高聚类划分质量，在聚类过程中采用基于Fisher分值的属性加权的实体之间距离计算方法，使用属性加权距离计算方法进行聚类划分时，无论是球形数据还是椭球形数据都能够获得较好的聚类划分结果。对KDD-99数据集的仿真实验结果表明，该算法在入侵检测中获得了理想的检测率和误报率。

关键词: 聚类, 模拟谐振子, Fisher分值, 属性加权, 入侵检测

Abstract: Aiming at the lack of global search capability of K-means algorithm, optimized K-means clustering algorithm based on Simulated Harmonic Oscillator（SHO-KM） is presented, which can overcome the problem of initial clustering center selection sensitivity of K-means and can obtain global optimized clustering partition. To improve clustering partition quality, an attribute-weighting distance computation method based on Fisher value is used in custering process. The better clustering partition can also be obtained for whether spherical data or ellipsodal data. Simulation experiment is implemented over data set KDD-99. The result shows that the satisfying detection rate and false acceptance rate can be obtained in network intrusion detection.

Key words: clustering, simulated harmonic oscillator, Fisher value, attribute-weighting, intrusion detection

于海涛1，2，王慧强2，李梓1，韩立娟3. 基于模拟谐振子的优化K-means聚类算法[J]. 计算机工程与应用, 2012, 48(30): 122-127.

YU Haitao1, WANG Huiqiang2, LI Zi1, HAN Lijuan3. Optimized K-means clustering algorithm based on simulated harmonic oscillator[J]. Computer Engineering and Applications, 2012, 48(30): 122-127.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[15]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.