导读:本文包含了蚁群均值算法论文开题报告文献综述及选题提纲参考文献，主要关键词:驾驶行为,模糊C均值聚类,蚁群聚类算法,模式识别
蚁群均值算法论文文献综述
鲁明,王彬,刘东儒,胡颖雁[1]（2019）在《基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究》一文中研究指出通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。(本文来源于《湖北汽车工业学院学报》期刊2019年02期）
刘洋,王慧琴,张小红[2]（2019）在《结合蚁群算法的改进粗糙K均值聚类算法》一文中研究指出粗糙集理论是一种处理边界对象不确定的有效方法。将粗糙集与K均值结合的粗糙K均值聚类算法,具有简单高效且可处理聚类边界元素的特点,但同时存在缺陷。针对粗糙K均值聚类算法对初始点敏感,经验权重设置忽略数据差异性,阈值设置不合理导致聚类结果波动性大的缺陷,本文提出结合蚁群算法的改进粗糙K均值聚类算法,改进的算法中使用蚁群算法中随机概率选择策略和信息素更新的正负反馈机制,以及采用动态调整算法阈值和相关权重的方法,对粗糙K均值聚类算法进行优化。最后采用UCI的Iris、Balance?scale和Wine数据集分别对算法进行实验。实验结果表明,改进后的粗糙K均值聚类算法得到的聚类结果准确率更高。(本文来源于《数据采集与处理》期刊2019年02期）
刘波平,孟莎莎,饶兰香,付康[3]（2016）在《基于K-均值改进蚁群优化的彩色图像边缘检测算法》一文中研究指出为提高图像边缘检测的精度,提出一种基于K-均值改进蚁群优化(ACO)的彩色图像边缘检测算法。将聚类嵌入到边缘检测中,使这2类图像分割方法有效结合,增强了2类方法的优势。实验结果表明,该算法有效解决了传统蚁群算法(ACO)收敛较慢的问题,较好地保留了图像边缘细节,降低了计算复杂度,与典型分割方法相比具有更好的性能。(本文来源于《计算机与现代化》期刊2016年09期）
刘婵[4]（2015）在《蚁群与K均值聚类算法融合研究及其在用户分群中的应用》一文中研究指出如今市场竞争日益激烈,企业面对数量巨大的消费者群体,传统的大众化营销的成本高且没有优势。对用户群体进行细分,针对不同用户群体进行精准的市场营销,能提高企业营销策略的效率,获得更好的营销效果。传统数据分析方法难以处理海量的用户数据,因此,采用数据挖掘技术中的聚类分析算法实现企业用户分群。论文给出了营销原理及数据挖掘技术相关理论说明,研究了聚类分析技术中K-means聚类算法和蚁群聚类算法的基本原理。分析了长虹社区论坛的用户数据,根据用户数据数量大、属性多的特点,提出适用于论坛用户聚类的改进算法Ant-K-means聚类算法。研究了K-means聚类算法对簇数量的选取和初始聚类中心的质量敏感以及蚁群聚类算法搜索时间长的问题解决方法。完成了蚁群聚类算法对数据集中抽取的部分样品数据的聚类,并将蚁群聚类获取的簇数量和簇中心作为输入参数,使用本文改进的基于信息素的K-means算法对全部数据进行快速聚类,获得最终聚类结果。将改进后的聚类算法应用到长虹智能电视的论坛用户分群中,根据用户的行为数据将用户聚类到不同的簇,对各簇的用户进行了分析与可视化。将改进算法应用到长虹论坛的用户分群中,实验结果显示分群效果良好,群体内用户特征相似性较高,验证了改进算法的正确性和有效性,为长虹智能电视的产品营销与用户服务提供了决策依据。(本文来源于《西南科技大学》期刊2015-05-25）
饶喆,唐双喜,刘国平[5]（2015）在《基于蚁群粒子群混合算法的K均值聚类优化算法研究》一文中研究指出K均值聚类算法是一种经典的数据挖掘算法,但该算法存在对初始值敏感且容易陷入局部最优问题,一定程度上影响分类结果的准确性。通过分析蚁群算法和粒子群算法,将两者混合算法应用到K均值聚类算法,提出一种K均值聚类优化算法。仿真结果表明,该优化算法不易受到初始值取值的影响,且具有较强的全局寻优能力,可作为聚类分析的一种有效方法。(本文来源于《数字技术与应用》期刊2015年04期）
王秀和[6]（2015）在《利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究》一文中研究指出在对K均值算法和图像聚类的蚁群优化算法(ACO)进行对比分析后,本文提出了K均值ACO算法来解决K均值误分类和ACO慢聚敛的问题。K均值ACO算法将K均值的结果当成ACO的启发式信息,如此提高了ACO在蚁群寻找规则方面的光照概率和光照像素,允许蚁群根据信息素集中度而非概率来筛选节点,以致可以在不对ACO的随机搜索质量进行改变的情况下就可以完全获取到启发式信息。对模拟数据和真实数据进行验证后,K均值ACO算法证实可以改善K均值误分类的聚类精确度并提高ACO的收率速度。(本文来源于《科技通报》期刊2015年03期）
李旭,徐立祥,刘家保[7]（2014）在《基于K均值聚类改进的蚁群算法研究》一文中研究指出蚁群优化算法(ACO)在求解TSP(traveling salesman problem)问题时,其算法的时间复杂度为O(m·n2·t)(其中t表示循环次数,n为城市数,m为蚂蚁数),搜索时间比较长。利用K-means聚类的方法得到多个类,每一个类都看作是一个小的TSP问题,然后在每个类内部和类之间利用改进的蚁群算法寻找最优路径,通过实验仿真,验证了此方法不但能提高解的精度,而且还加快了运行速度。(本文来源于《河北北方学院学报(自然科学版)》期刊2014年06期）
郭小芳,李锋,宋晓宁,王卫东[8]（2014）在《基于连续域混合蚁群优化的核模糊C-均值聚类算法研究》一文中研究指出为进一步提高核模糊C-均值聚类算法的聚类性能,提出基于连续域混合蚁群优化的核模糊C-均值聚类算法(KFCM-HACO),使用HACO对KFCM算法的内核函数参数值和聚类中心进行优化,克服传统算法弊端,使核模糊C-均值聚类算法的目标函数最小化,加快算法的收敛速度.该优化算法在UCI数据集上的仿真实验及结果比较表明,KFCM-HACO算法的聚类性能优于传统的聚类算法,提高了聚类的准确性.(本文来源于《模式识别与人工智能》期刊2014年09期）
高聪,李凡长[9]（2012）在《李群均值学习算法》一文中研究指出首先分析李群均值的计算方法,在此基础上,进一步提出李群均值学习算法,其思想是在李群流形上寻找一个由总体样本内均值的李代数元素决定的单参数子群,这个单参数子群是原李群上的一条测地线,定义样本到测地线投影的概念,同时将李群样本向该测地线投影,并尽可能使投影后各类别间的散度与类内散度比值最大化,从而实现非线性李群空间的类别判别.实验表明,基于李群均值的学习算法和KNN、FLDA算法相比,具有较好的分类效果.(本文来源于《模式识别与人工智能》期刊2012年06期）
周峰,李龙澍[10]（2012）在《结合蚁群聚类算法的模糊C均值聚类》一文中研究指出模糊C均值(FCM)聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。(本文来源于《计算机技术与发展》期刊2012年07期）
蚁群均值算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
粗糙集理论是一种处理边界对象不确定的有效方法。将粗糙集与K均值结合的粗糙K均值聚类算法,具有简单高效且可处理聚类边界元素的特点,但同时存在缺陷。针对粗糙K均值聚类算法对初始点敏感,经验权重设置忽略数据差异性,阈值设置不合理导致聚类结果波动性大的缺陷,本文提出结合蚁群算法的改进粗糙K均值聚类算法,改进的算法中使用蚁群算法中随机概率选择策略和信息素更新的正负反馈机制,以及采用动态调整算法阈值和相关权重的方法,对粗糙K均值聚类算法进行优化。最后采用UCI的Iris、Balance?scale和Wine数据集分别对算法进行实验。实验结果表明,改进后的粗糙K均值聚类算法得到的聚类结果准确率更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蚁群均值算法论文参考文献
[1].鲁明,王彬,刘东儒,胡颖雁.基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究[J].湖北汽车工业学院学报.2019
[2].刘洋,王慧琴,张小红.结合蚁群算法的改进粗糙K均值聚类算法[J].数据采集与处理.2019
[3].刘波平,孟莎莎,饶兰香,付康.基于K-均值改进蚁群优化的彩色图像边缘检测算法[J].计算机与现代化.2016
[4].刘婵.蚁群与K均值聚类算法融合研究及其在用户分群中的应用[D].西南科技大学.2015
[5].饶喆,唐双喜,刘国平.基于蚁群粒子群混合算法的K均值聚类优化算法研究[J].数字技术与应用.2015
[6].王秀和.利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究[J].科技通报.2015
[7].李旭,徐立祥,刘家保.基于K均值聚类改进的蚁群算法研究[J].河北北方学院学报(自然科学版).2014
[8].郭小芳,李锋,宋晓宁,王卫东.基于连续域混合蚁群优化的核模糊C-均值聚类算法研究[J].模式识别与人工智能.2014
[9].高聪,李凡长.李群均值学习算法[J].模式识别与人工智能.2012
[10].周峰,李龙澍.结合蚁群聚类算法的模糊C均值聚类[J].计算机技术与发展.2012