位置數(shù)據(jù)的智能聚類算法研究

目錄
第1章 引言 1
1.1 國內(nèi)外研究進(jìn)展 4
1.1.1 基于劃分的聚類算法研究進(jìn)展 6
1.1.2 基于智能學(xué)習(xí)的劃分聚類算法研究進(jìn)展 8
1.2 GNSS數(shù)據(jù)智能聚類研究概述 15
1.3 GNSS數(shù)據(jù)集 17
1.4 本章小結(jié) 22
第2章 主要的支撐技術(shù) 23
2.1 主要的智能學(xué)習(xí)技術(shù) 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 基于劃分的聚類技術(shù) 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(jiān)督聚類評估技術(shù) 32
2.3.1 PBM-index聚類評估技術(shù) 32
2.3.2 DB-index聚類評估技術(shù) 33
2.3.3 輪廓系數(shù)聚類評估技術(shù) 33
2.4 主要的非參數(shù)統(tǒng)計(jì)方法 34
2.4.1 Friedman Test 34
2.4.2 Wilcoxon Rank Sum Test 35
2.5 模糊系統(tǒng) 35
2.6 本章小結(jié) 38
第3章 GPS數(shù)據(jù)的遺傳自動(dòng)聚類算法研究 39
3.1 初始化種群生成技術(shù) 39
3.1.1 染色體編碼與初始化種群生成技術(shù) 39
3.1.2 Density-KMPlus：基于密度估計(jì)與K-means++的初始化種群生成方法 41
3.1.3 Noise-KMPlus：基于噪聲與K-means++的初始化種群生成方法 43
3.1.4 IConopy-KMPlus：改進(jìn)Canopy與K-means++的初始化種群生成方法 44
3.1.5 適應(yīng)度函數(shù)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(yīng)交叉操作 46
3.2.3 自適應(yīng)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(jié)合Density-KMPlus 的遺傳K-means自動(dòng)聚類方法 51
3.3.1 基于Density-KMPlus的遺傳聚類方法描述 51
3.3.2 實(shí)驗(yàn)結(jié)果及復(fù)雜度分析 52
3.3.3 基于Wilcoxon Rank Sum Test的非參數(shù)統(tǒng)計(jì)分析 67
3.4 NoiseClust：結(jié)合Noise-KMPlus的遺傳 K-means自動(dòng)聚類方法 70
3.4.1 基于Noise-KMPlus的小生境遺傳聚類方法描述 70
3.4.2 實(shí)驗(yàn)結(jié)果及復(fù)雜度分析 72
3.4.3 基于Wilcoxon Rank Sum Test的非參數(shù)統(tǒng)計(jì)分析 75
3.5 NicheClust：結(jié)合ICanopy-KMPlus 的小生境遺傳K-means自動(dòng)聚類方法 78
3.5.1 基于ICanopy-KMPlus的小生境遺傳聚類方法描述 78
3.5.2 實(shí)驗(yàn)結(jié)果及復(fù)雜度分析 78
3.5.3 基于Friedman Test的非參數(shù)統(tǒng)計(jì)分析 91
3.6 本章小結(jié) 99
第4章 GPS數(shù)據(jù)的模糊粒子群-遺傳混合自動(dòng)聚類算法研究 101
4.1 算法的關(guān)鍵技術(shù) 101
4.1.1 模糊系統(tǒng)輸入?yún)?shù)的設(shè)置 101
4.1.2 PSO-GA混合聚類的原理及基本步驟 103
4.2 基于FPSO-GA混合獲取最優(yōu)粒子的K-means自動(dòng)聚類算法 104
4.2.1 算法的主要步驟 104
4.2.2 實(shí)驗(yàn)參數(shù)的設(shè)置 106
4.2.3 實(shí)驗(yàn)結(jié)果的對比和分析 107
4.3 基于FPSO-GA混合的K-means自動(dòng)聚類算法 118
4.3.1 算法流程 118
4.3.2 實(shí)驗(yàn)參數(shù)的設(shè)置 120
4.3.3 實(shí)驗(yàn)結(jié)果的對比和分析 121
4.4 本章小結(jié) 126
第5章 GPS數(shù)據(jù)的遺傳-模糊蟻群混合自動(dòng)聚類算法研究 128
5.1 算法的關(guān)鍵技術(shù) 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(shí)驗(yàn)結(jié)果 136
5.2.1 實(shí)驗(yàn)參數(shù)的設(shè)置 136
5.2.2 AutoClust實(shí)驗(yàn)結(jié)果的對比和分析 137
5.2.3 GA-FACO實(shí)驗(yàn)結(jié)果的對比和分析 142
5.3 本章小結(jié) 145
第6章 基于MapReduce的GPS數(shù)據(jù)遺傳自動(dòng)聚類算法研究 146
6.1 MapReduce技術(shù) 146
6.2 基于MapReduce的自適應(yīng)遺傳的GPS數(shù)據(jù)聚類 149
6.2.1 MrkClust：基于MapReduce的新穎的GAK聚類算法 149
6.2.2 算法流程 151
6.3 實(shí)驗(yàn)結(jié)果 153
6.3.1 數(shù)據(jù)集描述與參數(shù)設(shè)置 153
6.3.2 實(shí)驗(yàn)結(jié)果的對比及分析 154
6.4 本章小結(jié) 162
第7章 最小二乘非監(jiān)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 基于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 基于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(jié)果 172
7.2.5 關(guān)于實(shí)驗(yàn)數(shù)據(jù)的描述 173
7.2.6 結(jié)果及復(fù)雜度分析 174
7.3 基于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(jié)果及復(fù)雜度分析 186
7.3.3 最小二乘回歸的軌跡回歸結(jié)果 188
7.4 本章小結(jié) 190
參考文獻(xiàn) 191
附錄 207