[发明专利]信息粒导向压缩快速聚类算法

说明书

本发明公开了一种信息粒导向压缩快速聚类算法，首先对信息粒数据进行标准化变换，将变换后的信息粒进行导向压缩变换，然后对导向矢量进行快速聚类；本发明通过对信息粒数据进行导向压缩处理，构造信息粒导向矢量，对信息粒导向矢量进行聚类，可以使高维数据降维，从而降低算法聚类复杂度，同时提升聚类效果；更适合实际应用。

技术领域

本发明属于大数据技术研究领域，具体涉及一种有效的导向压缩快速聚类算法，以提高聚类性能。

背景技术

在大数据时代，如何充分挖掘出蕴藏于数据资源中的价值正在成为各国IT业界、学术界和政府共同关注的焦点。数据挖掘中应用最为广泛的经典聚类算法之一的kmeans算法一直以来倍受学者们的青睐，针对kmeans算法自身的缺陷，如受迭代次数影响、受初始化中心的影响，当处理实际应用领域的复杂高维数据时，将会出现运算量大、收敛速度慢的缺陷。

发明内容

针对上述现有技术存在的不足，本发明的目的在于提供一种信息粒导向变相动态快速聚类算法,能更快聚类，聚类效果好，解决现有的聚类算法不易于收敛、运算量大的缺陷。

为解决上述技术问题，本发明采用了以下技术方案：

信息粒导向压缩快速聚类算法，包括以下步骤：

步骤一：对信息粒数据D作平移标准差变换，得到

信息粒数据D为：

变换之后的信息粒数据为：

其中，

x_nm表示第n个数据的第m个属性，x_n′_m表示经平移标准差变换后的第n个数据的第m个属性，N表示信息粒数据的个数，每个数据有M个属性；

步骤二：对信息粒数据进行导向压缩变换；

步骤2.1：信息粒数据的导向矢量Ξ为：

其中，Λ为信息粒的导向压缩变换矢量，Λ＝[cosθ₁ cosθ₂…cosθ_m…cosθ_M]^T，且满足θ_m表示波长为λ的平行波辐射在信息粒上时该平行波束与M维空间标准正交坐标轴的正向夹角，m＝1,2,...,M；

步骤2.2：对导向矢量Ξ的元素按从小至大的顺序进行排列，得到排序后的导向矢量Ξ′，Ξ′＝[μ₁ μ₂…μ_n…μ_N]；

其中，μ_n表示导向矢量Ξ的元素按从小至大排列后的元素。

步骤三：对排序后的导向矢量Ξ′进行聚类；

步骤3.1：选取排序后的导向矢量Ξ′中的K个元素作初始化聚类中心c_j，j∈{1,2,...,K}，K＝1,2,...,N；

步骤3.2：将排序后的导向矢量Ξ′中其余元素分别分配给距离最近的聚类中心，使目标函数J的值最小，其中，

聚类完成后，得到K类数据；

步骤3.3：分别计算K类数据的均值，将获得的均值作为下一循环中新的K个聚类中心；

步骤3.4：重复3.2至3.3，直至满足预先设置的迭代次数或者聚类中心不再发生变化。