基于計(jì)算智能的譜聚類(lèi)方法研究.pdf

1、隨著信息技術(shù)的快速發(fā)展,各行各業(yè)積累了大量的數(shù)據(jù),如何幫助用戶從這些數(shù)據(jù)中提取人們感興趣的、隱含的、對(duì)決策有潛在價(jià)值的知識(shí),已經(jīng)成為信息技術(shù)領(lǐng)域的熱點(diǎn)問(wèn)題。作為一類(lèi)新型的聚類(lèi)分析方法,譜聚類(lèi)算法建立在譜圖理論基礎(chǔ)上,與傳統(tǒng)的聚類(lèi)算法相比,它具有能在任意形狀的樣本空間上聚類(lèi)的優(yōu)點(diǎn),且僅與數(shù)據(jù)對(duì)象的數(shù)目有關(guān),而與數(shù)據(jù)的維數(shù)無(wú)關(guān),因而可以避免高維特征向量所造成的奇異性問(wèn)題。
　　 譜聚類(lèi)算法受到傳統(tǒng)k-means算法的影響,不同的初始

2、聚類(lèi)中心將會(huì)得到不同的聚類(lèi)結(jié)果,且易陷入局部最優(yōu)解,收斂速度緩慢,同時(shí)聚類(lèi)分組數(shù)k的確定直接影響了聚類(lèi)的質(zhì)量,如何自動(dòng)確定聚類(lèi)分組數(shù)k是譜聚類(lèi)算法中一個(gè)關(guān)鍵問(wèn)題。計(jì)算智能作為智能信息處理技術(shù)發(fā)展最有生命活力的研究方向,它模擬自然界生物體系和人類(lèi)智能,用計(jì)算機(jī)來(lái)模擬和再現(xiàn)某些智能行為,主要包含遺傳算法、人工免疫算法和蟻群算法等。
　　 引入計(jì)算智能,本文主要針對(duì)譜聚類(lèi)算法中初始化敏感問(wèn)題,易陷入局部最優(yōu)問(wèn)題和如何自動(dòng)確定聚類(lèi)分組數(shù)

3、k問(wèn)題進(jìn)行了較為深入的研究,主要內(nèi)容如下:
　　 針對(duì)聚類(lèi)算法對(duì)初始聚類(lèi)中心敏感的問(wèn)題,提出一種啟發(fā)式初始化獨(dú)立的k-means算法,并在此基礎(chǔ)上提出了啟發(fā)式初始化獨(dú)立的譜聚類(lèi)算法。
　　依據(jù)Prim算法選取k個(gè)初始聚類(lèi)中心,同時(shí)考慮距離和密度因素,且通過(guò)設(shè)置閾值參數(shù)θ避免同一類(lèi)中的多個(gè)數(shù)據(jù)對(duì)象同時(shí)作為初始聚類(lèi)中心。實(shí)驗(yàn)結(jié)果表明,該算法通過(guò)譜映射達(dá)到了數(shù)據(jù)降維的目的,優(yōu)化了原始譜聚類(lèi)算法的初始中心選取策略,有效地避免了初

4、始聚類(lèi)中心選取的盲目性,快速地找到合適的初始聚類(lèi)中心,而且降低了離群點(diǎn)數(shù)據(jù)對(duì)聚類(lèi)性能產(chǎn)生的影響,有效減少了聚類(lèi)的迭代次數(shù),提高了運(yùn)行效率。
　　 引入遺傳算法,提出了一種遺傳優(yōu)化的譜聚類(lèi)算法,較好地解決了原始譜聚類(lèi)算法容易陷入局部最優(yōu)解的問(wèn)題。實(shí)驗(yàn)結(jié)果表明該算法有效降低了隨機(jī)初始輸入數(shù)據(jù)對(duì)算法的影響,提高了算法的穩(wěn)定性和聚類(lèi)性能。
　　 針對(duì)譜聚類(lèi)算法中如何確定聚類(lèi)分組數(shù)的問(wèn)題,提出了用于自動(dòng)確定聚類(lèi)分組數(shù)k的免疫聚類(lèi)兩

5、階段模型,據(jù)此提出了一種自適應(yīng)譜聚類(lèi)算法。
　　該算法通過(guò)模擬初次免疫應(yīng)答和二次免疫應(yīng)答過(guò)程,實(shí)現(xiàn)了聚類(lèi)分組數(shù)k的自動(dòng)確定,并得到了相應(yīng)的聚類(lèi)中心,然后利用傳統(tǒng)的聚類(lèi)算法進(jìn)行聚類(lèi)。人工數(shù)據(jù)集和UCI數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,該算法不僅可以自動(dòng)確定聚類(lèi)分組數(shù),得到合適的聚類(lèi)中心,而且有效地消除了數(shù)據(jù)輸入順序?qū)λ惴ǖ挠绊?具有較好的擴(kuò)展性,并可應(yīng)用于增量樣本數(shù)據(jù)的識(shí)別中。
　　 分析社保審計(jì)中存在的問(wèn)題和社保數(shù)據(jù)的特點(diǎn),提出了一