《位置數據的智慧型聚類算法研究》是2021年科學出版社出版的圖書。
基本介紹
- 書名：位置數據的智慧型聚類算法研究
- 作者：周相兵
- 出版社：科學出版社
- 出版時間：2021年5月
- 開本：16 開
- ISBN：9787030599469
內容簡介,圖書目錄,
內容簡介
本書重點研究了位置數據的智慧型聚類學習相關模型和算法前沿，集中反映了作者近年來對空間數據聚類與智慧型最佳化相結合的研究成果，系統闡述了GPS位置數據聚類學習的相關模型與算法。本書共分為7章，包括GPS位置數據聚類模型和智慧型最佳化的關鍵技術，GPS位置數據的遺傳、模糊粒子-遺傳融合、遺傳-模糊蟻群混合自動聚類模型與算法，基於MapReduce的GPS位置數據遺傳自動聚類模型與算法，基於小二乘非監督GPS軌跡回歸模型與算法，模糊遺傳GPS軌跡聚類算法等。
圖書目錄
第1章 引言 1
1.1 國內外研究進展 4
1.1.1 基於劃分的聚類算法研究進展 6
1.1.2 基於智慧型學習的劃分聚類算法研究進展 8
1.2 GNSS數據智慧型聚類研究概述 15
1.3 GNSS數據集 17
1.4 本章小結 22
第2章 主要的支撐技術 23
2.1 主要的智慧型學習技術 23
2.1.1 遺傳算法 23
2.1.2 粒子群算法 24
2.1.3 蟻群算法 26
2.2 基於劃分的聚類技術 29
2.2.1 K-means 29
2.2.2 K-medians 30
2.2.3 Fuzzy C-means 31
2.2.4 K-means 31
2.3 非監督聚類評估技術 32
2.3.1 PBM-index聚類評估技術 32
2.3.2 DB-index聚類評估技術 33
2.3.3 輪廓係數聚類評估技術 33
2.4 主要的非參數統計方法 34
2.4.1 Friedman Test 34
2.4.2 Wilcoxon Rank Sum Test 35
2.5 模糊系統 35
2.6 本章小結 38
第3章 GPS數據的遺傳自動聚類算法研究 39
3.1 初始化種群生成技術 39
3.1.1 染色體編碼與初始化種群生成技術 39
3.1.2 Density-KMPlus：基於密度估計與K-means 的初始化種群生成方法 41
3.1.3 Noise-KMPlus：基於噪聲與K-means 的初始化種群生成方法 43
3.1.4 IConopy-KMPlus：改進Canopy與K-means 的初始化種群生成方法 44
3.1.5 適應度函式選擇 45
3.2 遺傳操作 46
3.2.1 選擇操作 46
3.2.2 基因重排與自適應交叉操作 46
3.2.3 自適應變異操作 48
3.2.4 精英操作 49
3.2.5 共享小生境操作 49
3.3 SeedClust：結合Density-KMPlus 的遺傳K-means自動聚類方法 51
3.3.1 基於Density-KMPlus的遺傳聚類方法描述51
3.3.2 實驗結果及複雜度分析 52
3.3.3 基於Wilcoxon Rank Sum Test的非參數統計分析 67
3.4 NoiseClust：結合Noise-KMPlus的遺傳 K-means自動聚類方法 70
3.4.1 基於Noise-KMPlus的小生境遺傳聚類方法描述 70
3.4.2 實驗結果及複雜度分析 72
3.4.3 基於Wilcoxon Rank Sum Test的非參數統計分析 75
3.5 NicheClust：結合ICanopy-KMPlus 的小生境遺傳K-means自動聚類方法 78
3.5.1 基於ICanopy-KMPlus的小生境遺傳聚類方法描述 78
3.5.2 實驗結果及複雜度分析 78
3.5.3 基於Friedman Test的非參數統計分析91
3.6 本章小結 99
第4章 GPS數據的模糊粒子群-遺傳混合自動聚類算法研究 101
4.1 算法的關鍵技術 101
4.1.1 模糊系統輸入參數的設定 101
4.1.2 PSO-GA混合聚類的原理及基本步驟 103
4.2 基於FPSO-GA混合獲取最優粒子的K-means自動聚類算法 104
4.2.1 算法的主要步驟 104
4.2.2 實驗參數的設定 106
4.2.3 實驗結果的對比和分析 107
4.3 基於FPSO-GA混合的K-means自動聚類算法 118
4.3.1 算法流程 118
4.3.2 實驗參數的設定 120
4.3.3 實驗結果的對比和分析 121
4.4 本章小結 126
第5章 GPS數據的遺傳-模糊蟻群混合自動聚類算法研究 128
5.1 算法的關鍵技術 128
5.1.1 遺傳-模糊蟻群聚類的基本原理 129
5.1.2 算法的主要步驟 133
5.2 實驗結果 136
5.2.1 實驗參數的設定 136
5.2.2 AutoClust實驗結果的對比和分析 137
5.2.3 GA-FACO實驗結果的對比和分析 142
5.3 本章小結 145
第6章 基於MapReduce的GPS數據遺傳自動聚類算法研究 146
6.1 MapReduce技術 146
6.2 基於MapReduce的自適應遺傳的GPS數據聚類 149
6.2.1 MrkClust：基於MapReduce的新穎的GAK聚類算法 149
6.2.2 算法流程 151
6.3 實驗結果 153
6.3.1 數據集描述與參數設定 153
6.3.2 實驗結果的對比及分析 154
6.4 本章小結 162
第7章 最小二乘非監督軌跡回歸算法與模糊遺傳軌跡聚類研究164
7.1 最小二乘回歸基本原理 164
7.2 基於FCM的軌跡聚類方法 166
7.2.1 軌跡的描述及定義 167
7.2.2 軌跡片段的生成 169
7.2.3 基於拉格朗日定理的軌跡FCM聚類算法 171
7.2.4 最小二乘的軌跡回歸結果 172
7.2.5 關於實驗數據的描述 173
7.2.6 結果及複雜度分析 174
7.3 基於模糊遺傳的軌跡聚類方法 184
7.3.1 模糊遺傳算法 184
7.3.2 聚類結果及複雜度分析 186
7.3.3 最小二乘回歸的軌跡回歸結果 188
7.4 本章小結 190
參考文獻 191
附錄 207
