題-1_100_100.jpg)
基本信息
- 項(xiàng)目名稱(chēng)：
- 聯(lián)合編碼的免疫克隆選擇無(wú)監(jiān)督聚類(lèi)算法
- 來(lái)源：
- 第十二屆“挑戰(zhàn)杯”省賽作品
- 小類(lèi)：
- 信息技術(shù)
- 大類(lèi)：
- 自然科學(xué)類(lèi)學(xué)術(shù)論文
- 簡(jiǎn)介：
- 由于聚類(lèi)分析在識(shí)別數(shù)據(jù)內(nèi)在結(jié)構(gòu)方面所具有的重要作用，已在數(shù)據(jù)挖掘、模式識(shí)別、信息檢索等領(lǐng)域得到了廣泛應(yīng)用。一直是國(guó)內(nèi)外相關(guān)領(lǐng)域研究的熱點(diǎn)問(wèn)題。本作品針對(duì)目前一些聚類(lèi)算法存在依賴(lài)領(lǐng)域知識(shí)、效率不高、無(wú)法有效處理高維數(shù)據(jù)集等不足之處，提出了一種新的聚類(lèi)算法，在一定程度上解決了以上問(wèn)題。
- 詳細(xì)介紹：
- 針對(duì)聚類(lèi)數(shù)未知的問(wèn)題，鑒于免疫克隆選擇算法的快速收斂性與強(qiáng)大的優(yōu)化能力，本文將其引入無(wú)監(jiān)督聚類(lèi)問(wèn)題中，提出了一種聯(lián)合編碼的免疫克隆選擇無(wú)監(jiān)督聚類(lèi)算法。該算法在引入免疫克隆選擇算法思想的基礎(chǔ)上，分別設(shè)計(jì)了一種新的聯(lián)合編碼方案、基于單點(diǎn)變異的免疫基因操作、吞并算子以及基于人工免疫進(jìn)化網(wǎng)絡(luò)原理的聚類(lèi)結(jié)果優(yōu)化方案。通過(guò)算法迭代尋優(yōu)以及根據(jù)需求對(duì)最優(yōu)聚類(lèi)結(jié)果的二次優(yōu)化，最終得到令人滿(mǎn)意的聚類(lèi)結(jié)果。
作品圖片
作品專(zhuān)業(yè)信息
撰寫(xiě)目的和基本思路
- 目的：希望設(shè)計(jì)一種不但能夠自動(dòng)確定聚類(lèi)類(lèi)別數(shù)，可推廣到高維數(shù)據(jù)聚類(lèi)問(wèn)題，而且能夠根據(jù)需要對(duì)一次聚類(lèi)結(jié)果進(jìn)行二次優(yōu)化的高效的聚類(lèi)算法。 基本思路：鑒于免疫克隆選擇算法所具有的快速收斂性和強(qiáng)大的優(yōu)化能力，本文將其引入無(wú)監(jiān)督聚類(lèi)問(wèn)題中，并通過(guò)設(shè)計(jì)新的聯(lián)合編碼方案，基于單點(diǎn)變異策略的免疫基因操作，吞并算子以及基于人工免疫網(wǎng)絡(luò)原理的聚類(lèi)結(jié)果優(yōu)化方案使得算法能夠達(dá)到預(yù)期目的。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- 1、算法設(shè)計(jì)了一種新的綜合聚類(lèi)類(lèi)別數(shù)與聚類(lèi)中心的聯(lián)合編碼方案，有效克服了對(duì)領(lǐng)域知識(shí)的依賴(lài)。 2、提出了一種新的基于單點(diǎn)變異策略的更適合于聚類(lèi)問(wèn)題的克隆選擇算子，使得算法效率大大提高。 3、借鑒Darwin進(jìn)化論優(yōu)勝劣汰思想提出了新的算子--吞并算子，加快了算法的收斂速度。 4、基于人工免疫網(wǎng)絡(luò)思想，提出利用最小生成樹(shù)剪枝操作進(jìn)行聚類(lèi)結(jié)果二次優(yōu)化過(guò)程，已得到最優(yōu)聚類(lèi)結(jié)果。
應(yīng)用價(jià)值和現(xiàn)實(shí)意義
- 本文算法較好地彌補(bǔ)了現(xiàn)有大多數(shù)聚類(lèi)算法應(yīng)用于實(shí)際問(wèn)題時(shí)所暴露出的不足。仿真實(shí)驗(yàn)表明，本算法可以很好地處理對(duì)人工數(shù)據(jù)集和遙感圖像的聚類(lèi)分析問(wèn)題。此外，本算法還可應(yīng)用于信息檢索、數(shù)據(jù)分析等領(lǐng)域，具有較高的實(shí)際應(yīng)用價(jià)值和現(xiàn)實(shí)意義。
學(xué)術(shù)論文摘要
- 摘要 采用一種新的聯(lián)合編碼方式，并引入了免疫克隆選擇機(jī)制以及人工免疫進(jìn)化網(wǎng)絡(luò)的思想，提出了一種聯(lián)合編碼的免疫克隆選擇無(wú)監(jiān)督聚類(lèi)算法。該算法設(shè)計(jì)了一種綜合聚類(lèi)類(lèi)別數(shù)及聚類(lèi)中心的編碼方式，無(wú)需事先指定聚類(lèi)類(lèi)別數(shù)，有效地克服了對(duì)領(lǐng)域知識(shí)的依賴(lài)。同時(shí)，通過(guò)免疫克隆算子算法實(shí)現(xiàn)聚類(lèi)結(jié)果，并采用最小生成樹(shù)的方式完成有效地聚類(lèi)。實(shí)驗(yàn)結(jié)果表明，該方法能對(duì)不同類(lèi)型的數(shù)據(jù)集進(jìn)行正確聚類(lèi)，并能確定合適的聚類(lèi)類(lèi)別。 關(guān)鍵詞 聯(lián)合編碼 免疫 克隆選擇 無(wú)監(jiān)督聚類(lèi) 最小生成樹(shù)
獲獎(jiǎng)情況
- 論文錄用情況： 《Union Coding based Immune Clone Selection Unsupervised Clustering Algorithm》 --2011 International Conference on Computer Application and System Modeling
鑒定結(jié)果
- 無(wú)
參考文獻(xiàn)
- References [1] SUN Ji-Gui , LIU Jie , ZHAO Lian-Yu . New Progress in Clustering Algorithms Research , Journal of Software , Vol.19 , No.1 , January 2008 , pp.48-61. [2] Castro L. N. D , Zuben F. J. V . An Evolutionary Network for Data Clustering Proceedings , Sixth Brazilian Symposium on Neural Networks , 2000 Page(s):84-89. [3] Kim J. , Bentley P. J . Towards an artificial immune system for network intrusion detection : an investigation of clonal selection with a negative selection operator . Proceedings of the 2001 Congress on Evolutionary Computation , 2001 , 2:1244-1252. [4] DU Hai-Feng , JIAO Li-Cheng , WANG S . Clonal Operator and Antibody Clone Algorithms . Proceedings of the First International Conference on Machine Learning and Cybernetics , Beijing , 4-5 November 2002:506-510. [5] Maulik U, Bandyopadhyay S. Genetic algorithm-based clustering technique . Pattern Recognition , 2000 , 33(9):1455-1465.
同類(lèi)課題研究水平概述
- 現(xiàn)有的聚類(lèi)算法大致可劃分為層次化聚類(lèi)算法、劃分式聚類(lèi)算法、基于密度和網(wǎng)格的聚類(lèi)算法以及其他聚類(lèi)算法。層次化聚類(lèi)算法使用數(shù)據(jù)的聯(lián)接規(guī)則，透過(guò)一種層次架構(gòu)方式，反復(fù)將數(shù)據(jù)進(jìn)行分裂或聚合，以形成一個(gè)層次序列的聚類(lèi)問(wèn)題解。層次化聚類(lèi)算法一般以固定數(shù)目的點(diǎn)來(lái)表示一個(gè)聚類(lèi)，提高了算法挖掘任意形狀聚類(lèi)的能力。劃分式聚類(lèi)算法通過(guò)反復(fù)迭代降低目標(biāo)函數(shù)的誤差值，當(dāng)目標(biāo)函數(shù)值收斂時(shí)，得到最終聚類(lèi)結(jié)果?；诿芏鹊木垲?lèi)算法通過(guò)數(shù)據(jù)密度來(lái)發(fā)現(xiàn)任意形狀的類(lèi)簇，而基于網(wǎng)格的聚類(lèi)算法使用一個(gè)網(wǎng)格結(jié)構(gòu)，圍繞模式組織由矩陣塊劃分的值空間，基于塊的分布信息實(shí)現(xiàn)模式聚類(lèi)?；诰W(wǎng)格的聚類(lèi)算法常常與其他聚類(lèi)算法相結(jié)合，特別是與基于密度的聚類(lèi)算法相結(jié)合?；诿芏群途W(wǎng)格的聚類(lèi)算法的主要優(yōu)點(diǎn)是能夠發(fā)現(xiàn)任意形狀的聚類(lèi)以及對(duì)數(shù)據(jù)不敏感。 在傳統(tǒng)的聚類(lèi)方法中，基于目標(biāo)函數(shù)的聚類(lèi)算法把聚類(lèi)問(wèn)題歸結(jié)為一個(gè)優(yōu)化問(wèn)題，具有深厚的泛函基礎(chǔ)，從而成為聚類(lèi)算法的主流。K-means聚類(lèi)算法就是其中最具代表性的一種。該算法效率比較高，但由于聚類(lèi)目標(biāo)函數(shù)是高度非線(xiàn)性和多峰的函數(shù)，因此標(biāo)準(zhǔn)的K-means聚類(lèi)算法在使用其hill-climbing方式優(yōu)化目標(biāo)函數(shù)時(shí)，搜索方向總是沿著單一方向進(jìn)行，算法易陷入局部最優(yōu)點(diǎn)。這種基于目標(biāo)函數(shù)的聚類(lèi)算法存在的主要問(wèn)題就是對(duì)聚類(lèi)領(lǐng)域知識(shí)要求的增加。在聚類(lèi)分析之前必須給定聚類(lèi)類(lèi)別數(shù)，否則將會(huì)對(duì)算法產(chǎn)生誤導(dǎo)，從而得到一個(gè)錯(cuò)誤的劃分。但是，在實(shí)際應(yīng)用中，尤其是當(dāng)數(shù)據(jù)樣本點(diǎn)處于高維空間時(shí)，很難獲得聚類(lèi)類(lèi)別數(shù)。另一方面，為了克服一些算法（如K-means聚類(lèi)算法）易陷入局部最優(yōu)點(diǎn)的問(wèn)題，Maulik提出了遺傳聚類(lèi)算法（GAC），通過(guò)進(jìn)化的思想不斷優(yōu)化聚類(lèi)中心，能夠較好克服算法陷入局部最優(yōu)點(diǎn)的問(wèn)題。但是，Maulik的遺傳聚類(lèi)算法直接將聚類(lèi)中心編碼為個(gè)體，這樣的編碼方式與維數(shù)相關(guān)，很難直接推廣到高維數(shù)據(jù)聚類(lèi)問(wèn)題。現(xiàn)有大多數(shù)聚類(lèi)算法對(duì)數(shù)據(jù)集進(jìn)行聚類(lèi)分析時(shí)產(chǎn)生一次聚類(lèi)結(jié)果，無(wú)法根據(jù)需求對(duì)一次聚類(lèi)結(jié)果進(jìn)行修改，如要對(duì)一次聚類(lèi)結(jié)果進(jìn)行修改，只能通過(guò)改變聚類(lèi)類(lèi)別數(shù)等參數(shù)重新進(jìn)行聚類(lèi)。而在實(shí)際應(yīng)用中，我們通常希望可以根據(jù)一次聚類(lèi)分析后得到的聚類(lèi)結(jié)果并結(jié)合實(shí)際需求對(duì)一次聚類(lèi)結(jié)果進(jìn)行簡(jiǎn)單修改后便可得到我們期望的最終聚類(lèi)結(jié)果，而不是修改參數(shù)重新進(jìn)行一次聚類(lèi)分析。
