K-means聚类算法优化方法的研究

被引：21

作者：

于海涛 ^{[1
,2
]}

李梓 ^{[2
]}

姚念民 ^{[1
]}

机构：

[1] 哈尔滨工程大学计算机科学与技术学院

[2] 大庆师范学院计算机科学与信息技术学院

来源：

小型微型计算机系统 | 2012年 / 33卷 / 10期

基金：

黑龙江省自然科学基金;

关键词：

聚类; 改进粒子群; 信息增益比例; 属性加权; 入侵检测;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对K-means算法全局搜索能力的不足,提出基于改进PSO的优化K-means聚类算法(IPSO-KM),该算法克服了K-means聚类算法对初始聚类中心选择敏感问题,能够获得全局最优的聚类划分.同时,提出一种基于信息增益比例的属性加权的实体之间距离计算方法,使用属性加权距离计算方法进行聚类划分时,无论是球形数据还是椭球形数据都能够获得较好的聚类划分结果.仿真实验采用KDD-cup 99的测试数据,实验结果表明本文提出的算法不但能检测到多种已知的网络入侵行为,而且能够检测到许多未知的网络入侵行为,同时保持较高的网络入侵的检测率和较低入侵的误报率.

引用

页码：2273 / 2277

页数：5

共 8 条

[1] 复杂分布数据的二阶段聚类算法 [J].

公茂果 ;

王爽 ;

马萌 ;

曹宇 ;

焦李成 ;

马文萍 .

软件学报, 2011, (11) :2760-2772

[2] 基于PSO的k-means算法及其在网络入侵检测中的应用 [J].

傅涛 ;

孙亚民 .

计算机科学, 2011, 38 (05) :54-55+73

[3] 基于新的距离度量的K-Modes聚类算法 [J].

梁吉业 ;

白亮 ;

曹付元 .

计算机研究与发展, 2010, 47 (10) :1749-1755

[4] 基于模拟退火与K均值聚类的入侵检测算法 [J].

胡艳维 ;

秦拯 ;

张忠志 .

计算机科学, 2010, 37 (06) :122-124

[5] A SPARSE PROJECTION CLUSTERING ALGORITHM [J].

Xie Zongbo Feng Jiuchao School of Electronic and Information Engineering South China University of Technology Guangzhou China .

JournalofElectronics(China), 2009, 26 (04) :549-551

[6] 网络入侵检测中的自动决定聚类数算法 [J].

肖立中 ;

邵志清 ;

马汉华 ;

王秀英 ;

刘刚 .

软件学报, 2008, (08) :2140-2148

[7]

粒子群算法及应用[M]. 科学出版社 , 纪震, 2009

[8]

Automatic clustering using an improved differential evolution algorithm. S. Das,A. Abraham,A. Konar. IEEE Trans. On Sytems, Man, and Cybernetics . 2008

← 1 →