度量相似性数学建模_一种基于粒子群位置更新思想灰狼优化算法的K-Means文本分类方法与流程...
技術(shù)特征：
1.一種基于粒子群位置更新思想灰狼優(yōu)化算法的k-means文本分類方法，其特征在于：包括以下步驟：
s1:對文本數(shù)據(jù)進行預(yù)處理，得到預(yù)處理后文本數(shù)據(jù)；
s2：采用余弦角度為相似性度量，分別計算預(yù)處理后文本數(shù)據(jù)向量中的每一個數(shù)據(jù)對象到每一個初始灰狼個體的初始聚類中心點間的距離，并按相似度最接近的原則，分別將預(yù)處理文本數(shù)據(jù)中的數(shù)據(jù)對象分配到對應(yīng)的k個類簇中，直到所有的數(shù)據(jù)對象分配完畢，形成k個類簇；再計算下一個灰狼個體的數(shù)據(jù)分配結(jié)果，直到灰狼種群中所有的灰狼個體都計算完畢，得到n種初步文本聚類結(jié)果；
s3：分別計算每一個灰狼個體到數(shù)據(jù)中心點間的距離之和,分別得到了n個灰狼個體的適應(yīng)度評估函數(shù)值；
s4：對n個適應(yīng)度評估函數(shù)值進行按序排列，選出適應(yīng)度評估函數(shù)值最小的前三只狼作為α狼，β狼，δ狼；并根據(jù)α狼，β狼，δ狼三只狼的位置，計算灰狼種群中其他灰狼個體到這三只狼的距離，并計算其余灰狼個體位置更新的中間變量的值；s5：將帶有粒子群位置更新思想的所有灰狼個體進行位置更新；
s6：判斷粒子群位置更新思想改進的灰狼優(yōu)化算法的k-means聚類算法是否達到最大迭代次數(shù)，如果否，則執(zhí)行步驟2；如果是，輸出α狼的適應(yīng)度值及其位置xα，根據(jù)xα聚類中心得到的最終文本數(shù)據(jù)分配結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于粒子群位置更新思想灰狼優(yōu)化算法的k-means文本分類方法，其特征還在于：所述文本數(shù)據(jù)進行預(yù)處理步驟如下：
s1：采用分詞軟件劃分反映完整文本句意的最小單位的詞組；
s2：篩選無意義詞組；
s3：采用向量空間模型進行數(shù)學(xué)建模，對分詞后的本文數(shù)據(jù)采用詞頻統(tǒng)計進行分詞權(quán)重計算，提取文本數(shù)據(jù)中的關(guān)鍵詞；
s4：使用word2vec模型進行詞的向量化，用向量化之后的文本數(shù)據(jù)向量作為聚類的數(shù)據(jù)輸入。
3.根據(jù)權(quán)利要求1所述的一種基于粒子群位置更新思想灰狼優(yōu)化算法的k-means文本分類方法，其特征還在于：所述余弦角度作為相似性度量公式如下：
其中xi(i＝1,2,3...,n)表述數(shù)據(jù)對象向量，xj(j＝1,2,3,...,n)表示中心點向量。
4.根據(jù)權(quán)利要求1所述的一種基于粒子群位置更新思想灰狼優(yōu)化算法的k-means文本分類方法，其特征還在于：適應(yīng)度評估函數(shù)值公式如公式如下：
其中，k代表聚類個數(shù)。
5.根據(jù)權(quán)利要求1所述的一種基于粒子群位置更新思想灰狼優(yōu)化算法的k-means文本分類方法，其特征還在于：所述灰狼個體進行位置更新根據(jù)如下公式進行：
其中灰狼位置更新速度通過如下公式確定：
其中，w稱為慣性因子，r7，r8，r9是屬于[0,1]間的隨機數(shù)，分別表示控制種群中其余狼與三只頭狼之間距離的參數(shù)，范圍為在[0，2]之間；分別表示位置更新后的灰狼個體位置；代表當(dāng)前灰狼的位置。
創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎總結(jié)
以上是生活随笔為你收集整理的度量相似性数学建模_一种基于粒子群位置更新思想灰狼优化算法的K-Means文本分类方法与流程...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
