基于免疫机制的模糊聚类方法的研究

论文摘要

本文针对经典聚类算法对初值敏感和易陷入局部极小值的问题,借鉴免疫细胞从不成熟到成熟,进而转变为记忆细胞和抗体这一基本原理来指导数据对象聚类,提出了一种基于人工免疫细胞模型的C-均值聚类算法。该算法一方面以亲和力为评判标准的二重选择法,力求所选个体更具代表性;另一方面,通过引入一种自适应变异策略对选出的个体进行变异操作,提高计算效率;并根据抗体浓度抑制原理选择最佳抗体组合,以达到优化的目的。在整个寻优过程中,充分利用免疫记忆机制,保存优秀个体,替换较差个体,保证算法的良性进化。通过与遗传指导算法（GGA）和人工免疫C-均值算法进行比较,初步显示新算法有利于提高其获得全局最优解的概率,在精度方面也有很好表现。在上述工作的基础上,本文进一步研究了基于免疫粒子群优化的聚类算法。针对粒子群优化算法和传统聚类算法易产生“早熟”现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法（PSO）中,提出一种基于免疫进化粒子群的动态聚类算法。算法中粒子适应度的高低有效表明粒子所对应分类方案下聚类效果的优劣,在此基础上选择部分粒子进行多点均匀突变;初始聚类数遵循经验规则kmax≤n1/2（n为空间样本数）,并以性能代价函数为评判标准逐级递减寻找最优k值,实现动态聚类。仿真实验证明,将具有较强全局寻优能力的PSO与局部搜索能力较强的免疫进化机制相结合,可以提高它们各自处理问题的能力,避免“早熟”现象,同时使收敛精度较粒子群聚类明显提高。通过理论分析和实验论证,我们可以认识到利用免疫思想改进聚类算法进而提高聚类质量是可行的,文中所提出的混合聚类算法对解决实际聚类问题有一定的参考价值和实用意义。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 选题背景和意义
• 1.2 人工免疫系统的研究内容和应用领域
• 1.3 人工免疫系统在数据挖掘中的研究现状
• 1.3.1 分类问题
• 1.3.2 聚类问题
• 1.3.3 人工免疫系统用于聚类问题的研究现状
• 1.4 论文的研究内容和组织结构
• 1.4.1 论文研究内容
• 1.4.2 论文组织结构
• 2 生物免疫系统和人工免疫系统
• 2.1 生物免疫系统
• 2.1.1 生物免疫系统组成
• 2.1.2 免疫识别和免疫应答
• 2.2 人工免疫系统的基本概念和仿生机理
• 2.2.1 人工免疫系统
• 2.2.2 免疫学习和记忆
• 2.2.3 免疫细胞模型
• 2.2.4 亲和力计算
• 2.2.5 抗体浓度抑制原理
• 3 模糊聚类分析
• 3.1 聚类分析的基本概念
• 3.1.1 聚类定义和主要聚类方法
• 3.1.2 聚类准则函数
• 3.2 典型划分聚类方法
• 3.2.1 模糊C-均值算法
• 3.2.2 模糊C-均值算法优缺点分析
• 4 基于人工免疫细胞模型的聚类分析算法（AICM-FCM）
• 4.1 免疫聚类算法背景介绍
• 4.2 构造基于免疫机制的人工免疫细胞模型
• 4.3 构造基于人工免疫细胞模型的聚类分析（AICM-FCM）
• 4.3.1 人工免疫细胞模型与聚类模型的对应
• 4.3.2 二重选择策略
• 4.3.3 自适应变异策略
• 4.3.4 最优个体组合及优化
• 4.3.5 算法流程
• 4.4 实验分析
• 4.4.1 AICM-FCM算法与经典FCM算法的比较
• 4.4.2 AICM-FCM算法与其它聚类算法的比较
• 5 基于免疫进化粒子群的动态聚类分析算法（IEPSO-DFCM）
• 5.1 粒子群聚类算法背景介绍
• 5.2 构造基于免疫进化机制的动态聚类算法
• 5.2.1 基于线性递减权的粒子群优化算法
• 5.2.2 编码策略和适应度函数
• 5.2.3 动态聚类的实现
• 5.2.4 免疫信息进化处理机制
• 5.2.5 算法流程
• 5.3 实验分析
• 5.3.1 动态聚类验证
• 5.3.2 IEPSO-DFCM与其它聚类算法的比较
• 5.3.3 AICM-FCM与IEPSO-DFCM的比较
• 6 总结与展望
• 6.1 工作总结
• 6.2 未来研究工作的展望
• 致谢
• 参考文献
• 研究生期间发表论文