1、針對現(xiàn)有聚類分析算法在數(shù)據(jù)挖掘應(yīng)用中存在的不完善甚至嚴(yán)重不足之處,本文結(jié)合自然計(jì)算方法,對傳統(tǒng)模糊聚類算法進(jìn)行較為系統(tǒng)的改造和革新,主要探討了有關(guān)具有混和屬性特征數(shù)據(jù)的聚類算法目標(biāo)函數(shù)的定義以及優(yōu)化方法,提出了適合大數(shù)據(jù)集的網(wǎng)絡(luò)結(jié)構(gòu)聚類新算法,擴(kuò)展了聚類分析的應(yīng)用范圍,并構(gòu)造了適合于數(shù)據(jù)挖掘的新的聚類有效性函數(shù).實(shí)驗(yàn)結(jié)果表明,本文提出的一系列有關(guān)模糊聚類分析的新思想和新方法都取得了良好的效果.歸納起來,本文的研究成果主要表現(xiàn)在以下幾個方

2、面:1.定義了一個新的相異性匹配測度,修正了傳統(tǒng)聚類算法的目標(biāo)函數(shù)——類散布矩陣的跡,將數(shù)據(jù)集中不同屬性特征相結(jié)合,構(gòu)成新的聚類目標(biāo)函數(shù),使得其能夠適合混合類屬特征的數(shù)據(jù),并利用遺傳算法對其進(jìn)行優(yōu)化,克服傳統(tǒng)的模糊κ-均值(FKM)算法對原型初始化敏感的缺點(diǎn),使得算法能夠以較高的概率收斂到全局最優(yōu)解.2.利用人工免疫系統(tǒng)中著名的克隆選擇算法改進(jìn)遺傳算法,避免了遺傳算法中可能出現(xiàn)的早熟現(xiàn)象,同時由于基于克隆算子的克隆選擇算法是群體搜索策略

3、,本質(zhì)上固有并行性和搜索變化的隨機(jī)性,在搜索中不易陷入局部極值,最終能以概率1獲得問題的全局最優(yōu)解,而且收斂速度比遺傳算法更快,因此更加適合大數(shù)據(jù)集的聚類分析.3.結(jié)合人工免疫系統(tǒng)中免疫網(wǎng)絡(luò)理論,提出用免疫網(wǎng)絡(luò)來進(jìn)行聚類分析,由于所獲得的網(wǎng)絡(luò)神經(jīng)元代表了數(shù)據(jù)子集中的典型樣本,因而可以用來產(chǎn)生相應(yīng)的數(shù)據(jù)子集;通過最小生成樹對獲得的網(wǎng)絡(luò)神經(jīng)元的連接權(quán)進(jìn)行分析,最終自動解決了FKM類型算法需要事先輸入類別數(shù)以及聚類原型必須一致的難題.4.借鑒

4、生物免疫系統(tǒng)的免疫應(yīng)答中禁忌克隆的現(xiàn)象,提出禁忌克隆算法,并與克隆選擇算法相結(jié)合,形成基于克隆算法的網(wǎng)絡(luò)結(jié)構(gòu)聚類分析新算法.5.利用免疫系統(tǒng)中有限資源理論,設(shè)計(jì)了一種模糊識別球,使其作用范圍隨刺激水平的變化而變化,通過對B細(xì)胞的競爭,將刺激水平低的識別球清除,使網(wǎng)絡(luò)對模糊邊界點(diǎn)不敏感,從而能夠代表各類的典型樣本,使得到的網(wǎng)絡(luò)具有清晰的結(jié)構(gòu),同時大大提高運(yùn)算效率,解決了網(wǎng)絡(luò)規(guī)模隨迭代次數(shù)以及運(yùn)行時間隨數(shù)據(jù)量呈指數(shù)增長這一難題,使基于網(wǎng)絡(luò)結(jié)