改進(jìn)的人工免疫網(wǎng)絡(luò)算法及其大規(guī)模數(shù)據(jù)聚類研究.pdf

1、數(shù)據(jù)挖掘是數(shù)據(jù)庫知識發(fā)現(xiàn)的重要組成部分,它通過特定的算法分析大量的含有噪聲的數(shù)據(jù),從而獲取隱含于原始數(shù)據(jù)中的事先不為人所知的信息,為用戶提供決策支持。作為一種重要的數(shù)據(jù)挖掘方法,聚類技術(shù)只需要極少的先驗知識就能夠?qū)?shù)據(jù)進(jìn)行分析。近年來,隨著信息技術(shù)的發(fā)展,數(shù)據(jù)規(guī)模呈指數(shù)倍增長,數(shù)據(jù)形態(tài)也快速多樣化,傳統(tǒng)的聚類算法已經(jīng)越來越難以滿足技術(shù)的需要,能夠處理海量復(fù)雜數(shù)據(jù)集的聚類算法開始成為主流。本論文將對人工免疫網(wǎng)絡(luò)聚類算法進(jìn)行改進(jìn),并在此基礎(chǔ)

2、上結(jié)合Balanced Iterative Reducing and Clustering using Hierarchies(BIRCH)算法,提出一種針對大規(guī)模數(shù)據(jù)集的改進(jìn)的人工免疫網(wǎng)絡(luò)聚類方法,使之能夠處理大規(guī)模流數(shù)據(jù)。本文主要工作如下:
　　1)提出了一種基于Kernel PCA的改進(jìn)的人工免疫網(wǎng)絡(luò)聚類算法。改進(jìn)分為兩個步驟:a)為解決原始的人工免疫網(wǎng)絡(luò)聚類算法(aiNet)對噪聲敏感的問題,引入了刺激度策略,使算法能夠識

3、別網(wǎng)絡(luò)中的噪聲節(jié)點并予以清除,以提高算法的抗噪能力。同時,用新設(shè)計的競爭選擇方法代替原始算法中的網(wǎng)絡(luò)抑制方法,使算法能夠選擇出局部最優(yōu)的網(wǎng)絡(luò)節(jié)點。最終得到一個改進(jìn)的人工免疫網(wǎng)絡(luò)算法(im_aiNet);b)在 im_aiNet的基礎(chǔ)上,通過結(jié)合 Kernel PCA方法,得到基于Kernel PCA的改進(jìn)的人工免疫網(wǎng)絡(luò)聚類算法(Kernel PCA im_aiNet),進(jìn)一步提高了算法處理分布復(fù)雜數(shù)據(jù)集的能力。在對比實驗中,本算法和其他

4、聚類算法分別在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上進(jìn)行了比較,表現(xiàn)出了較好的性能。
　　2)把人工免疫網(wǎng)絡(luò)應(yīng)用于大規(guī)模數(shù)據(jù)集的處理上,提出了一種基于 BIRCH和人工免疫網(wǎng)絡(luò)的大規(guī)模數(shù)據(jù)聚類算法。相對傳統(tǒng)的聚類算法,人工免疫網(wǎng)絡(luò)聚類算法能夠更好地適應(yīng)非凸數(shù)據(jù)集,而且不需要給定聚類類別數(shù),但是它是一個基于生物學(xué)原理設(shè)計的算法,需要較長的演化時間,并不適應(yīng)大規(guī)模數(shù)據(jù)集的處理。因此,我們提出了基于 BIRCH和人工免疫網(wǎng)絡(luò)的兩步聚類方法:第一步,

5、使用 BIRCH算法對大規(guī)模數(shù)據(jù)集進(jìn)行粗劃分,把原始數(shù)據(jù)集劃分為很多均勻的小塊;第二步,使用人工免疫網(wǎng)絡(luò)聚類算法對這些小塊進(jìn)行細(xì)化分,最終得到聚類結(jié)果。本算法結(jié)合了 BIRCH算法和人工免疫網(wǎng)絡(luò)算法的優(yōu)點,同時又避免了它們各自的缺點,使算法發(fā)揮出更好的準(zhǔn)確性和穩(wěn)定性,在對比實驗中也反應(yīng)了這一點。
　　3)對基于BIRCH和人工免疫網(wǎng)絡(luò)的大規(guī)模數(shù)據(jù)聚類算法進(jìn)行改進(jìn),將其應(yīng)用于流數(shù)據(jù)的分析和處理上,提出了一種基于 BIRCH和人工免疫