-
题名基于K-means的改进人工蜂群聚类算法
被引量：41
- 1
-
-
作者
曹永春
蔡正琦
邵亚斌
-
机构
西北民族大学数学与计算机科学学院
-
出处
《计算机应用》
CSCD
北大核心
2014年第1期204-207,217,共5页
-
基金
国家自然科学基金资助项目(11161041)
2012年度国家民委科研资金资助项目
+1 种基金
中央高校基本科研业务费专项资金资助项目(31920130009
zyz2012081)
-
文摘
针对K-means聚类算法对初始聚类中心敏感和易陷入局部最优解的缺点,提出一种基于K-means的人工蜂群(ABC)聚类算法。将改进的人工蜂群算法和K-means迭代相结合,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过基于反向学习的初始化策略,增强了初始群体的多样性。利用非线性选择策略,改善了过早收敛问题,提高了搜索效率。通过对邻域搜索范围的动态调整,提高了算法收敛速度,增强了局部寻优能力。实验结果表明,该算法不仅克服了K-means算法稳定性差的缺点,而且具有良好的性能和聚类效果。
-
关键词
人工蜂群算法
聚类分析
K-MEANS
反向学习
非线性选择
-
Keywords
Artificial Bee Colony （ABC） algorithm
clustering analysis
K-means
opposition-based learning
nonlinear selection
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名高阶中立型差分方程非振动解的存在性
- 2
-
-
作者
郭智
-
机构
湖南工程学院数理系
-
出处
《湘潭师范学院学报（自然科学版）》
2008年第2期17-20,共4页
-
文摘
得到了下列高阶中立型差分方程的一个非振动性理论,Δ[rn(Δm-1(xn+axn-τ))a]+f(n,xn-σ1,xn-σ2,…,xn-σu)=0,n∈N,其中α为正奇数的商,m,u为大于等于2的整数,rn>0,其中n∈N,a∈R,τ,σ1,σ2都为大于等于0的整数以及f∈C([n0,∞]×R×R×…×Ru,R)。
-
关键词
非振动
非线性选择
差分方程
凝聚算子
-
分类号
O175.7
[理学—数学]
-
-
题名一类分数阶微分包含耦合系统边值问题解的存在性
被引量：1
- 3
-
-
作者
于鹏艳
侯成敏
-
机构
延边大学理学院
-
出处
《延边大学学报（自然科学版）》
CAS
2021年第1期1-9,共9页
-
基金
吉林省教育厅“十三五”科学技术研究项目(JJKH20170454KJ)。
-
文摘
利用Kakutani映射非线性选择性定理研究了一类分数阶微分包含耦合系统边值问题解的存在性,结果表明当多值映射具有凸值时上述边值问题至少存在一个解的充分条件.
-
关键词
Kakutani映射非线性选择性定理
分数阶微分包含
耦合系统
边值问题
-
Keywords
the nonlinear alternative for Kakutani maps theorem
fractional-order differential inclusions
coupled systems
boundary value problems
-
分类号
O175.6
[理学—数学]
-
-
题名基于非线性选择方法的多目标优化遗传算法
- 4
-
-
作者
许峰
张丽丽
-
机构
安徽理工大学理学院
-
出处
《软件导刊》
2009年第5期53-55,共3页
-
基金
安徽省教育厅自然科学基金项目(KJ2007B216)
-
文摘
针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。
-
关键词
遗传算法
多目标优化
PARETO最优解
非线性选择方法
-
分类号
TP312
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于■2,1范数和神经网络的非线性特征选择方法
- 5
-
-
作者
范馨予
徐雪远
邬霞
-
机构
北京师范大学人工智能学院
-
出处
《信号处理》
CSCD
北大核心
2021年第9期1644-1652,共9页
-
文摘
在基于■2,1范数的特征选择方法中,■2,1范数可以使选择的特征具有组间稀疏性和组内稀疏性,同时还可以去除特征数据中的异常值。然而,大多数基于■2,1范数的特征选择算法常通过线性方程求解,无法探究特征之间的非线性关系。因此,本文提出了一种基于■2,1范数的非线性特征选择方法,将■2,1范数与神经网络相结合。一方面,该方法利用神经网络的非线性特性对■2,1范数进行求解。另一方面,该方法利用■2,1范数实现基于神经网络框架的特征选择。最后,本文将该方法与当前流行的特征选择方法在八个公开数据集进行了对比,实验结果验证了该方法具有一定的优越性。
-
关键词
非线性特征选择
■2
1范数
神经网络
后向传播
-
Keywords
non-linear feature selection
■2,1-norm
neural network
back propagation
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
