K-means算法在玉米良种选育中的应用

为降低k值选取对聚类效果的影响,用改进的聚类有效性函数来选取k值。综合考虑了类内相似性、类间差异性,通过UCI数据库中的几个数据集和k-means算法来验证其正确性,并应用于玉米良种选育。为确保得到的玉米良种集中不混有劣种,对聚类得到的玉米良种集进行主成分分析和熵值法的综合评价。实验结果表明,采用该函数在玉米良种集中得到了优良的玉米种子,验证了其正确性。

基于粒计算的k值选取及其应用

为降低k值选取对聚类分析算法效果的影响,采用改进的聚类有效性函数来选取k值。通过粒计算的属性分辨能力,避免数据因某些属性值过大屏蔽其它取值较小属性对类内相似性和类间差异性的影响,综合考虑类内相似性和类间差异性。通过UCI机器学习数据库标准数据集和k均值算法对该函数进行验证,并将其应用到玉米良种选育中。实验结果表明,使用该函数可以更为有效的在玉米样本集中选育玉米良种。

改进的遗传k-means算法及其应用

为降低k值的不确定性和初始聚类中心的随机性对聚类结果的影响,提出一种改进的遗传k-means聚类算法。采用并行计算的方式降低k值和初始聚类中心对聚类结果的影响,利用平均类内距和类间距设计适应度函数保证聚类结果的正确性,改进遗传算法的遗传算子来提高算法效率。通过UCI标准数据集验证了该算法的正确性和有效性,并应用于玉米良种选育中。实验结果表明,该算法能获得更优良的玉米品种,指导玉米选育工作。