广义加权Minkowski距离及量子遗传聚类算法

摘要：

相异度和相似度度量是聚类算法中非常重要的一种因素,往往会影响到聚类分析的结果.很多聚类算法采用欧式距离作为计算数据相似度的度量.而欧式距离不能反映属性值的全局特性,且不顾及各属性之间的量纲差异,因此当不同属性间具有明显量纲或值域差异时,不能取得很好的效果.对此,提出了一种广义加权Minkowski距离,即由各属性的量纲和值域信息来确定各属性的广义权值,既考虑了整个数据集的特性,又消除了各属性之间的不和谐,同时分位数的引进在一定程度上减弱了噪声属性值对距离度量的影响.将提出的新的距离度量用于经典的k-means算法和量子遗传聚类算法,实验结果表明,采用新的距离度量和引进量子遗传算法的聚类是更加有效的.

关键词：数据聚类、Minkowski距离、分位数、全局信息、量子遗传算法

所属期刊栏目：40

分类号：TP18(自动化基础理论)

资助基金：国家水体污染控制与治理科技重大专项2009ZX07318-003-01-02;水利部公益性行业科研专项201001031

在线出版日期：2013-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：224-228