基于智能優(yōu)化算法的聚類分析及應(yīng)用.pdf

1、隨著科學(xué)技術(shù)的進(jìn)步以及數(shù)據(jù)庫應(yīng)用的普及，數(shù)據(jù)挖掘技術(shù)已經(jīng)成為近年來國際社會在信息決策領(lǐng)域的重要研究方向之一，同時(shí)，也是隨著信息技術(shù)不斷發(fā)展而形成的一門新學(xué)科。聚類分析作為一種重要的數(shù)據(jù)分析方法已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域中一個(gè)非常活躍的研究課題。
　　聚類分析的方法有很多，在本文中重點(diǎn)介紹了C-MEANS和模糊C-MEANS(FCM)基于劃分的聚類方法。但是對初始聚類中心的選擇敏感，并且容易陷入局部最優(yōu)是這兩種聚類算法典型的缺點(diǎn)。因而，在

2、本文引入了智能優(yōu)化算法。
　　智能優(yōu)化算法是迅速發(fā)展起來的對已有一些經(jīng)典的聚類算法進(jìn)行優(yōu)化的行之有效的方法。近年來，發(fā)展起來的用于聚類分析的智能優(yōu)化的算法主要有:基于免疫原理的人工免疫算法、基于進(jìn)化的差分進(jìn)化算法、基于螞蟻系統(tǒng)的蟻群算法、基于遺傳學(xué)的遺傳算法和模擬退火算法等智能優(yōu)化計(jì)算方法。這些算法各有特點(diǎn)，廣泛用于解決各類聚類問題。本論文主要利用了基于免疫原理的人工免疫算法、把遺傳算法和模擬退火相融合的算法來實(shí)現(xiàn)數(shù)據(jù)聚類并將聚類

3、方法應(yīng)用到圖像壓縮即設(shè)計(jì)矢量量化碼書，通過實(shí)驗(yàn)驗(yàn)證均取得了有效的結(jié)果，主要工作包括以下三個(gè)方面:
　　首先，針對傳統(tǒng)的克隆選擇算法在解決聚類問題中存在著收斂速度慢、聚類效果不佳以及進(jìn)化聚類算法采用單一的聚類指標(biāo)的缺陷等問題。將多目標(biāo)優(yōu)化思想引入到免疫克隆聚類算法中，根據(jù)免疫系統(tǒng)所體現(xiàn)出的局部學(xué)習(xí)生物特征，在算法中設(shè)計(jì)了一種新的局部學(xué)習(xí)算子，并在此基礎(chǔ)上提出了基于局部學(xué)習(xí)算子的人工免疫多目標(biāo)模糊聚類算法。提出的算法在對人工數(shù)據(jù)集和U

4、CI數(shù)據(jù)集聚類的結(jié)果表明，該算法能取得較高的聚類正確率。
　　其次，針對遺傳算法的容易陷入早熟以及模擬退火算法收斂速度慢等缺點(diǎn)，將模擬退火算法融入到遺傳算法中，提出基于遺傳的模擬退火聚類算法及其在矢量量化碼書設(shè)計(jì)中的應(yīng)用。鑒于基于劃分的染色體實(shí)數(shù)編碼方式的特點(diǎn)以及對染色體的操作細(xì)化為對基因的操作，由此提出了新的有效的模擬退火方法、以及交叉操作算子和突變操作算子。同時(shí)，算法中采用核空間距離代替歐氏距離，從而使得提出的聚類算法能處理分

5、布復(fù)雜的數(shù)據(jù)聚類問題。在此基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了用于自然圖像壓縮的模擬退火遺傳核函數(shù)矢量量化算法.實(shí)驗(yàn)結(jié)果表明提出的算法在大部分的數(shù)據(jù)集上都能取得較好的結(jié)果。
　　最后，針對LBG算法對初始碼書較為敏感的缺點(diǎn)，將免疫克隆選擇算法引入進(jìn)來。使用分裂法產(chǎn)生初始碼書。又針對基于歐氏距離的相似性度量僅能反映聚類結(jié)果的局部一致性特征，而無法反映聚類的全局一致性的缺點(diǎn)，進(jìn)而提出了使用基于流形距離的免疫克隆選擇聚類方法，通過對31組數(shù)據(jù)的聚類以及設(shè)計(jì)