基于免疫進化計算的數(shù)據(jù)聚類算法研究及其應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是近年來國際上在信息、決策領(lǐng)域最前沿和最活躍的研究方向之一。聚類就是把多個沒有類別標(biāo)記的樣本集按某種準(zhǔn)則劃分成若干類，是數(shù)據(jù)挖掘中的一種強有力的分析工具，得到了人們的廣泛關(guān)注，近幾十年來得到了迅猛的發(fā)展，有許多聚類分析新算法不斷被提出，并且聚類分析已廣泛地應(yīng)用于模式識別、計算機視覺、模糊控制、圖象分割、特征提取和信號壓縮等許多領(lǐng)域。 本文主要對進化計算、人工免疫系統(tǒng)、混沌優(yōu)化算法與模糊c-均值聚類(FCM)算法相結(jié)合

2、的混合聚類算法進行了研究，提出了兩種新算法：基于免疫進化計算的模糊c-均值聚類算法(IEFCMA)和基于混沌免疫進化計算的模糊c-均值聚類算法(CIEFCMA)，以提高收斂速度并改善分類效果。 第一，介紹了聚類、模糊聚類分析和模糊c-均值算法，指出模糊c-均值算法是模糊聚類分析中應(yīng)用最廣泛的，同時分析指出了模糊c-均值算法的致命缺點：對初始化非常敏感而易早熟陷入局部最優(yōu)解。 第二，本文對進化計算、人工免疫系統(tǒng)的基本框架、

3、功能原理和特性進行了闡述，探討了它們的優(yōu)缺點，并介紹了免疫進化算法的研究現(xiàn)狀。 第三，本文介紹了混沌理論、Logistic混沌優(yōu)化算子和Tent混沌優(yōu)化算子，并指出混沌的遍歷特性可作為搜索過程中避免陷入局部最優(yōu)解且改善搜索效率的一種優(yōu)化機制。 第四，針對現(xiàn)有模糊c-均值算法存在的不足，本文提出了改進的新算法，新算法結(jié)合了人工免疫系統(tǒng)、進化計算和混沌優(yōu)化算法、模糊c-均值算法各自在數(shù)據(jù)空間搜索的優(yōu)勢，實現(xiàn)了從全局到局部的兩