基于人工蜂群的模糊聚類數(shù)據(jù)挖掘算法研究.pdf

1、隨著社會經(jīng)濟(jì)的進(jìn)步，工業(yè)生產(chǎn)過程的自動化和智能化程度越來越高。自動化程度的不斷加深使企業(yè)積累和存儲了越來越多的過程歷史數(shù)據(jù)。一方面，隨著企業(yè)對自身要求的不斷提高，這些豐富的數(shù)據(jù)資源成為可以利用的資源；另一方面，工業(yè)過程的生產(chǎn)實(shí)踐和科學(xué)研究又以大量的數(shù)據(jù)為基礎(chǔ)，需要通過一定的方法和手段進(jìn)行分析、處理，已完成工業(yè)過程的在線監(jiān)控、過程辨識、故障診斷和控制策略的設(shè)計等工作。因此，數(shù)據(jù)挖掘作為一種從大量數(shù)據(jù)中提取有用信息的技術(shù)手段，受到越來越多的

2、關(guān)注。人工蜂群算法是一種模擬蜜蜂群智能搜索行為的群智能優(yōu)化算法。由于其控制參數(shù)少、易于實(shí)現(xiàn)、計算簡潔等優(yōu)點(diǎn)，已被越來越多的學(xué)者所關(guān)注。模糊C均值聚類(FCM)和核模糊C-均值聚類(KFCM)算法雖然已被應(yīng)用于模式識別、圖像處理以及計算機(jī)視覺等眾多領(lǐng)域中，但仍然存在一些缺陷。
　　 本文針對FCM算法存在容易陷入局部極小值和對初始值敏感的缺點(diǎn)，提出了一種基于人工蜂群(ABC)的模糊聚類算法。KFCM算法在一定程度上克服了對數(shù)據(jù)內(nèi)在

3、形狀分布的依賴，但還存在對初始值敏感、容易陷入局部極小值的缺點(diǎn)。為此，本文提出一種基于人工蜂群的核模糊C-均值聚類算法(ABC-KFCM)。ABFM算法和ABC-KFCM算法有效提高了算法的搜索效率、減少了搜索過程中陷入局部最優(yōu)的現(xiàn)象，但在聚類數(shù)大和維度高時效果不太好，為此引入Boltzmann選擇機(jī)制代替輪盤賭的選擇方式，并采用小區(qū)間生成法使初始群體均勻化，使得該算法的全局尋優(yōu)能力更強(qiáng)。實(shí)驗(yàn)結(jié)果表明，新算法不僅有效克服了FCM和KFC