基于優(yōu)化目標可調控的免疫聚類算法的研究.pdf

1、近年來，隨著經濟的快速發(fā)展，很多領域都存在大量數(shù)據，并且迫切需要將這些數(shù)據轉換成有用的信息和知識。獲取的信息和知識可以廣泛用于各種應用，包括商務管理，生產控制，市場分析，工程設計和科學探索等。聚類是數(shù)據挖掘中的一種最重要的分析工具之一，目前聚類廣泛運用于信息、決策領域。近幾十年來發(fā)展迅速，有許多聚類分析新算法被不斷提出，尤其是將傳統(tǒng)聚類方法和人工智能算法相結合。
　　 生物免疫系統(tǒng)是一個具有高度智能的、分布協(xié)調的自適應生物系統(tǒng)。

2、基于生物免疫系統(tǒng)的智能算法是近十年來的一個很重要的研究熱點。其中基于免疫網絡理論的數(shù)據聚類技術是一個很重要的研究方向，它借鑒了生物免疫系統(tǒng)的免疫記憶、分布式并行處理、自組織、自學習等特性，能夠從大量無序的數(shù)據中提取隱含的、對決策有潛在價值的知識和規(guī)則，它對未知數(shù)據的劃分和分析非常有效并能達到合理的效果。但目前幾種免疫網絡算法中沒有定義目標控制函數(shù)、記憶網絡無規(guī)律進化等問題，使得算法學習訓練階段存在迭代次數(shù)多、收斂速度慢、算法參數(shù)多、且過

3、分依賴網絡抑制來保持網絡的動態(tài)性和抗體種群的多樣性。
　　 本文提出了一種基于目標可調控的免疫網絡算法，將人工免疫網絡壓縮聚類抽象為多函數(shù)優(yōu)化問題，定義了記憶網絡的進化控制函數(shù)，并采用細胞記憶庫策略提升免疫學習質量。本文分別對中心聚類和非線性聚類問題進行了仿真。仿真結果表明此免疫網絡算法可以按照輸入輸出樣本特征信息實現(xiàn)模糊規(guī)則的自動提取。中心聚類仿真結果表明新算法的聚類質量、壓縮質量均優(yōu)于原aiNet算法，新算法的學習代數(shù)要比a