针对传统粒度支持向量机(granular support vector machine,GSVM)在处理大规模数据集时划分方法的随机性严重影响模型训练效能的情况,提出一种基于核模糊C均值聚类的粒度支持向量机(granular support vector machine based on kernel-ba...针对传统粒度支持向量机(granular support vector machine,GSVM)在处理大规模数据集时划分方法的随机性严重影响模型训练效能的情况,提出一种基于核模糊C均值聚类的粒度支持向量机(granular support vector machine based on kernel-based fuzzy c-means cluster,GSVM-KFCM)的方法。首先利用核映射将数据映射到高维空间进行聚类划分得到若干个信息粒,然后在每个信息粒中进行支持向量机的训练,提取出关键信息并融合建立最终决策模型。实验结果表明:该方法可以降低大规模数据集的训练时间,同时也能提高算法的准确度。展开更多
提出一种优化的核模糊C均值聚类算法(WBAKFCM).该算法首先通过改进蝙蝠算法(Weight bat Algorithm,WBA)确定最优聚类中心集合,然后用核模糊C均值聚类算法指导聚类划分.一方面,改进的蝙蝠算法在传统的蝙蝠算法中引入佳点集理论和速度权重...提出一种优化的核模糊C均值聚类算法(WBAKFCM).该算法首先通过改进蝙蝠算法(Weight bat Algorithm,WBA)确定最优聚类中心集合,然后用核模糊C均值聚类算法指导聚类划分.一方面,改进的蝙蝠算法在传统的蝙蝠算法中引入佳点集理论和速度权重,分别用于调节种群的初始化和个体位置的自适应更新.另一方面,在核模糊C均值聚类算法(Kernel Fuzzy C-Means,KFCM)中,选用了高斯核函数,从而将数据映射到高维特征空间进行聚类划分.实验结果表明,优化的核模糊C均值聚类算法在聚类准确率与时间效率上明显优于传统算法.展开更多
文摘针对传统粒度支持向量机(granular support vector machine,GSVM)在处理大规模数据集时划分方法的随机性严重影响模型训练效能的情况,提出一种基于核模糊C均值聚类的粒度支持向量机(granular support vector machine based on kernel-based fuzzy c-means cluster,GSVM-KFCM)的方法。首先利用核映射将数据映射到高维空间进行聚类划分得到若干个信息粒,然后在每个信息粒中进行支持向量机的训练,提取出关键信息并融合建立最终决策模型。实验结果表明:该方法可以降低大规模数据集的训练时间,同时也能提高算法的准确度。
文摘提出一种优化的核模糊C均值聚类算法(WBAKFCM).该算法首先通过改进蝙蝠算法(Weight bat Algorithm,WBA)确定最优聚类中心集合,然后用核模糊C均值聚类算法指导聚类划分.一方面,改进的蝙蝠算法在传统的蝙蝠算法中引入佳点集理论和速度权重,分别用于调节种群的初始化和个体位置的自适应更新.另一方面,在核模糊C均值聚类算法(Kernel Fuzzy C-Means,KFCM)中,选用了高斯核函数,从而将数据映射到高维特征空间进行聚类划分.实验结果表明,优化的核模糊C均值聚类算法在聚类准确率与时间效率上明显优于传统算法.
