基于計(jì)算智能技術(shù)的聚類(lèi)分析研究與應(yīng)用.pdf

1、聚類(lèi)屬于無(wú)監(jiān)督學(xué)習(xí),是將數(shù)據(jù)集中的數(shù)據(jù)對(duì)象分成多個(gè)簇或者類(lèi),使得在同一個(gè)簇中對(duì)象相似度高,而在不同簇中對(duì)象的相似度低,因此,對(duì)空間數(shù)據(jù)對(duì)象的聚類(lèi)可通過(guò)基于聚類(lèi)目標(biāo)函數(shù)的優(yōu)化問(wèn)題來(lái)解決。從這一思路出發(fā),將自適應(yīng)能力及魯棒性較高的計(jì)算智能技術(shù)應(yīng)用于聚類(lèi)分析,產(chǎn)生了很多基于計(jì)算智能技術(shù)的聚類(lèi)分析模型。基于計(jì)算智能的聚類(lèi)分析成功解決了數(shù)據(jù)的聚類(lèi)問(wèn)題,對(duì)處理目標(biāo)的特性有良好的適應(yīng)能力,彌補(bǔ)了傳統(tǒng)聚類(lèi)方法的不足,取得了良好的效果。
　　計(jì)算智

2、能方法主要包括神經(jīng)網(wǎng)絡(luò)、模糊控制、進(jìn)化計(jì)算、混沌科學(xué)、免疫計(jì)算、DNA計(jì)算及群體智能等。近年來(lái),神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進(jìn)化計(jì)算三個(gè)方向的研究成為熱點(diǎn)。自組織映射(SOM)是最有代表性的神經(jīng)網(wǎng)絡(luò)聚類(lèi)方法;遺傳算法、進(jìn)化策略、免疫規(guī)劃、克隆學(xué)說(shuō)、蟻群系統(tǒng)、微粒群優(yōu)化、文化算法等進(jìn)化計(jì)算已成功應(yīng)用到聚類(lèi)分析中;另外,在傳統(tǒng)聚類(lèi)分析中引入模糊集概念,產(chǎn)生了模糊聚類(lèi)算法;根據(jù)計(jì)算智能技術(shù)的優(yōu)缺點(diǎn),將一些計(jì)算智能方法融合起來(lái)應(yīng)用于聚類(lèi)分析,提高了聚類(lèi)

3、的能力。
　　論文將神經(jīng)網(wǎng)絡(luò)、遺傳算法等計(jì)算智能技術(shù)用于聚類(lèi)分析,構(gòu)造聚類(lèi)分析模型,研究該模型的定義及優(yōu)化方法的特點(diǎn)和不足,改進(jìn)或提出相應(yīng)的解決方法;另外,針對(duì)模型在聚類(lèi)分析中的應(yīng)用研究并結(jié)合離散Morse的相關(guān)理論和方法,研究離散Morse理論在聚類(lèi)分析中實(shí)現(xiàn)的關(guān)鍵技術(shù)和方法,并提出基于Morse理論的聚類(lèi)分析模型以適應(yīng)具體應(yīng)用的要求。通過(guò)實(shí)驗(yàn),驗(yàn)證了模型的有效性和可行性。
　　本文的主要研究?jī)?nèi)容如下:
　　1.針對(duì)

4、傳統(tǒng)SOM網(wǎng)絡(luò)模型用于聚類(lèi)分析時(shí)競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)須預(yù)先指定的缺點(diǎn),給出了在訓(xùn)練過(guò)程中動(dòng)態(tài)確定網(wǎng)絡(luò)結(jié)構(gòu)和單元數(shù)目的解決方案,提出一種新的動(dòng)態(tài)自組織特征映射模型,并給出模型的訓(xùn)練算法。此算法初始只有一個(gè)根結(jié)點(diǎn)。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中不斷產(chǎn)生新結(jié)點(diǎn)。新的結(jié)點(diǎn)可在任意位置根據(jù)需要自動(dòng)生成。當(dāng)訓(xùn)練算法結(jié)束時(shí),根據(jù)得到的樹(shù)形結(jié)構(gòu)確定聚類(lèi)的數(shù)目。算法中通過(guò)擴(kuò)展因子控制網(wǎng)絡(luò)的生長(zhǎng),實(shí)現(xiàn)了不同層次的聚類(lèi)。算法采用兩階段的訓(xùn)練思想。當(dāng)算法的生長(zhǎng)階段完成后,利用模

5、糊C-聚類(lèi)的思想,對(duì)生長(zhǎng)階段產(chǎn)生的粗聚類(lèi)結(jié)果做細(xì)化處理,從而提高最終聚類(lèi)結(jié)果的精度和算法的收斂速度。通過(guò)UCI數(shù)據(jù)集來(lái)驗(yàn)證該模型的有效性和優(yōu)越性,并對(duì)其聚類(lèi)的有效性進(jìn)行對(duì)比分析。
　　2.介紹了譜聚類(lèi)技術(shù)及相關(guān)概念,對(duì)譜聚類(lèi)算法進(jìn)行研究及分析,提出一種自動(dòng)確定聚類(lèi)數(shù)目的譜聚類(lèi)算法。為了解決CLARANS算法易收斂于局部最優(yōu)及面對(duì)大數(shù)據(jù)集聚類(lèi)效率不高的問(wèn)題,結(jié)合遺傳算法易于找到全局最優(yōu)值的特點(diǎn),將遺傳算法和CLARANS算法相結(jié)合,

6、提出基于GA的聚類(lèi)分析模型,并通過(guò)選擇合適的適應(yīng)值函數(shù),達(dá)到聚類(lèi)的目的。通過(guò)實(shí)驗(yàn)證明了新算法的的優(yōu)越性
　　3.介紹了離散Morse理論的基本原理及相關(guān)概念,提出一種構(gòu)建離散Morse函數(shù)求最優(yōu)解的算法,并證明了構(gòu)建的函數(shù)是最優(yōu)的離散Morse函數(shù),同時(shí)構(gòu)建了一種基于離散Morse理論的優(yōu)化模型,實(shí)驗(yàn)的結(jié)果證明了該模型的有效性。這是一個(gè)全新的嘗試。
　　4.把基于離散Morse理論的優(yōu)化模型應(yīng)用于聚類(lèi)分析,提出一種基于離散M

7、orse優(yōu)化模型的密度聚類(lèi)算法。聚類(lèi)后的結(jié)果運(yùn)用層次聚類(lèi)的思想進(jìn)行優(yōu)化,可以通過(guò)參數(shù)的調(diào)整來(lái)控制聚類(lèi)簇的數(shù)目,達(dá)到聚類(lèi)效果。實(shí)驗(yàn)證明新算法的可行性及有效性。
　　本文的創(chuàng)新點(diǎn)總結(jié)如下:
　　1.提出一種新的動(dòng)態(tài)SOM模型。該模型采用新的生長(zhǎng)閾值函數(shù),訓(xùn)練算法采用兩階段思想。實(shí)驗(yàn)在UCI數(shù)據(jù)集上進(jìn)行,通過(guò)與SOM模型、FCM算法及TreeGNG對(duì)比驗(yàn)證了該模型的有效性和優(yōu)越性。
　　2.提出一種基于 GA的自動(dòng)譜聚類(lèi)算法

8、 GA-ISC。通過(guò)改進(jìn)的譜聚類(lèi)算法ISC-CLARANS達(dá)到自動(dòng)產(chǎn)生聚類(lèi)結(jié)果的目的。引入GA提高CLARANS算法的執(zhí)行效率。實(shí)驗(yàn)分別在人工數(shù)據(jù)集及 UCI數(shù)據(jù)集上進(jìn)行。實(shí)驗(yàn)證明ISC-CLARANS算法正確、有效。通過(guò)GA-ISC與ISC-CLARANS算法的聚類(lèi)結(jié)果比較,驗(yàn)證了GA-ISC算法的高效性。
　　3.提出一種基于離散Morse理論的優(yōu)化模型,該模型通過(guò)在單純復(fù)形上構(gòu)造離散Morse函數(shù)來(lái)實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果證明了該模型