位置数据的智能聚类算法研究

目录
第1章 引言 1
1.1 国内外研究进展 4
1.1.1 基于划分的聚类算法研究进展 6
1.1.2 基于智能学习的划分聚类算法研究进展 8
1.2 GNSS数据智能聚类研究概述 15
1.3 GNSS数据集 17
1.4 本章小结 22
第2章 主要的支撑技术 23
2.1 主要的智能学习技术 23
2.1.1 遗传算法 23
2.1.2 粒子群算法 24
2.1.3 蚁群算法 26
2.2 基于划分的聚类技术 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 非监督聚类评估技术 32
2.3.1 PBM-index聚类评估技术 32
2.3.2 DB-index聚类评估技术 33
2.3.3 轮廓系数聚类评估技术 33
2.4 主要的非参数统计方法 34
2.4.1 Friedman Test 34
2.4.2 Wilcoxon Rank Sum Test 35
2.5 模糊系统 35
2.6 本章小结 38
第3章 GPS数据的遗传自动聚类算法研究 39
3.1 初始化种群生成技术 39
3.1.1 染色体编码与初始化种群生成技术 39
3.1.2 Density-KMPlus：基于密度估计与K-means++的初始化种群生成方法 41
3.1.3 Noise-KMPlus：基于噪声与K-means++的初始化种群生成方法 43
3.1.4 IConopy-KMPlus：改进Canopy与K-means++的初始化种群生成方法 44
3.1.5 适应度函数选择 45
3.2 遗传操作 46
3.2.1 选择操作 46
3.2.2 基因重排与自适应交叉操作 46
3.2.3 自适应变异操作 48
3.2.4 精英操作 49
3.2.5 共享小生境操作 49
3.3 SeedClust：结合Density-KMPlus 的遗传K-means自动聚类方法 51
3.3.1 基于Density-KMPlus的遗传聚类方法描述 51
3.3.2 实验结果及复杂度分析 52
3.3.3 基于Wilcoxon Rank Sum Test的非参数统计分析 67
3.4 NoiseClust：结合Noise-KMPlus的遗传 K-means自动聚类方法 70
3.4.1 基于Noise-KMPlus的小生境遗传聚类方法描述 70
3.4.2 实验结果及复杂度分析 72
3.4.3 基于Wilcoxon Rank Sum Test的非参数统计分析 75
3.5 NicheClust：结合ICanopy-KMPlus 的小生境遗传K-means自动聚类方法 78
3.5.1 基于ICanopy-KMPlus的小生境遗传聚类方法描述 78
3.5.2 实验结果及复杂度分析 78
3.5.3 基于Friedman Test的非参数统计分析 91
3.6 本章小结 99
第4章 GPS数据的模糊粒子群-遗传混合自动聚类算法研究 101
4.1 算法的关键技术 101
4.1.1 模糊系统输入参数的设置 101
4.1.2 PSO-GA混合聚类的原理及基本步骤 103
4.2 基于FPSO-GA混合获取最优粒子的K-means自动聚类算法 104
4.2.1 算法的主要步骤 104
4.2.2 实验参数的设置 106
4.2.3 实验结果的对比和分析 107
4.3 基于FPSO-GA混合的K-means自动聚类算法 118
4.3.1 算法流程 118
4.3.2 实验参数的设置 120
4.3.3 实验结果的对比和分析 121
4.4 本章小结 126
第5章 GPS数据的遗传-模糊蚁群混合自动聚类算法研究 128
5.1 算法的关键技术 128
5.1.1 遗传-模糊蚁群聚类的基本原理 129
5.1.2 算法的主要步骤 133
5.2 实验结果 136
5.2.1 实验参数的设置 136
5.2.2 AutoClust实验结果的对比和分析 137
5.2.3 GA-FACO实验结果的对比和分析 142
5.3 本章小结 145
第6章 基于MapReduce的GPS数据遗传自动聚类算法研究 146
6.1 MapReduce技术 146
6.2 基于MapReduce的自适应遗传的GPS数据聚类 149
6.2.1 MrkClust：基于MapReduce的新颖的GAK聚类算法 149
6.2.2 算法流程 151
6.3 实验结果 153
6.3.1 数据集描述与参数设置 153
6.3.2 实验结果的对比及分析 154
6.4 本章小结 162
第7章 最小二乘非监督轨迹回归算法与模糊遗传轨迹聚类研究 164
7.1 最小二乘回归基本原理 164
7.2 基于FCM的轨迹聚类方法 166
7.2.1 轨迹的描述及定义 167
7.2.2 轨迹片段的生成 169
7.2.3 基于拉格朗日定理的轨迹FCM聚类算法 171
7.2.4 最小二乘的轨迹回归结果 172
7.2.5 关于实验数据的描述 173
7.2.6 结果及复杂度分析 174
7.3 基于模糊遗传的轨迹聚类方法 184
7.3.1 模糊遗传算法 184
7.3.2 聚类结果及复杂度分析 186
7.3.3 最小二乘回归的轨迹回归结果 188
7.4 本章小结 190
参考文献 191
附录 207