基于增强重引力搜索的高维数据协同聚类算法

• 作者: 尹君 景康 桑遥 王皓 王迪
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 协同聚类 高维数据 特征选择 重引力搜索 数据挖掘 拟牛顿法
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 算法
• 页码范围: 300-306
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2020.10.048

摘要

传统基于智能优化技术的聚类算法难以获得理想的聚类准确率.设计一种基于增强重引力搜索的高维数据协同聚类算法,用以提高高维数据的聚类准确率.设计协同相似性度量技术同时评估样本的相似性和特征的相似性,以特征间的相似性引导数据样本的聚类处理,提高聚类的效率和准确率.设计拟牛顿法的局部开发机制,提高重引力搜索的求解效果,利用增强的重引力搜索算法搜索最优的聚类解.实验结果表明,该方法对高维数据集的聚类结果具有明显的优势.