基于Boltzmann选择的改进ABFM算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (29): 182-185.

• 图形、图像、模式识别 • 上一篇下一篇

基于Boltzmann选择的改进ABFM算法

赵小强1，2，张守明1，2

1.兰州理工大学电气工程与信息工程学院，兰州 730050
2.甘肃省工业过程先进控制重点实验室，兰州 730050

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-11 发布日期:2011-10-11

Modified ABFM algorithm based on Boltzmann selection

ZHAO Xiaoqiang1，2，ZHANG Shouming1，2

1.College of Electrical and Information Engineering，Lanzhou University of Technology，Lanzhou 730050，China
2.Key Laboratory of Gansu Advanced Control for Industrial Processes，Lanzhou 730050，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-11 Published:2011-10-11

摘要/Abstract

摘要： 模糊C-均值（FCM）聚类算法是数据挖掘中应用广泛的一种方法，但还存在容易陷入局部极小值和对初始值敏感的缺点，为此提出了一种基于Boltzmann选择机制的改进人工蜂群的模糊C-均值聚类算法（BABFM）。该算法引入了Boltzmann选择机制代替轮盘赌的选择方式，采用小区间生成法使初始群体均匀化，使得该算法的全局寻优能力更强，有效克服了FCM算法的缺点。实验结果表明，新算法与FCM和ABFM聚类算法相比聚类效果更准确，效率更高，迭代次数更少。

关键词: 模糊C-均值（FCM）, 数据挖掘, 人工蜂群, Boltzmann选择机制, 基于Boltzmann选择机制的人工蜂群模糊C-均值聚类算法（BABFM）

Abstract: Fuzzy C-Means（FCM） clustering algorithm is one of the most widely used methods in data mining，but there still exist some defects，such as the local optima and sensitivity to initialization.Therefore，a new modified FCM clustering algorithm（BABFM） is proposed based on ABFM.BABFM algorithm applies Boltzmann selection mechanism instead of roulette and uses min intervals to make the initial group more symmetrical and have better capacity of global search.It can effectively solve faults of FCM.According to the test，the new algorithm is more accurate in clustering，higher efficiency and fewer iterations than FCM and ABFM clustering algorithm.

Key words: Fuzzy C-Means（FCM）, data mining, artificial bee colony, Boltzmann selection mechanism, Boltzmann Artificial Bee colony Fuzzy C-Means clustering（BABFM）

赵小强1，2，张守明1，2. 基于Boltzmann选择的改进ABFM算法[J]. 计算机工程与应用, 2011, 47(29): 182-185.

ZHAO Xiaoqiang1，2，ZHANG Shouming1，2. Modified ABFM algorithm based on Boltzmann selection[J]. Computer Engineering and Applications, 2011, 47(29): 182-185.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[9]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[10]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[13]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[14]	李耀华，王星州. 飞机液压系统故障诊断[J]. 计算机工程与应用, 2019, 55(5): 232-236.
[15]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.

基于Boltzmann选择的改进ABFM算法

Modified ABFM algorithm based on Boltzmann selection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics