模糊聚类挖掘技术研究及其在自动化养猪中的应用

论文摘要

目前，随着信息产业的第三次浪潮的到来，融合各种信息技术的、打破互联网限制的具备“全面感知、可靠传送、智能处理”特征的物联网技术已经渗透到畜牧业领域。纵观现代畜牧业的特点与内容，可看出信息化是体现现代畜牧业特征和实现现代畜牧业内容的重要手段。精准畜牧业决策要求与智能计算方法的结合点或交集主要包括关联、分类、聚类、评判和预测等。因此，将核模糊聚类算法应用在养猪过程中，以满足广大养殖者对畜牧业信息技术的迫切要求，具有十分重大的意义。在育肥猪养殖过程中，育肥猪出栏是个极其重要环节，如若对出栏的指导不够科学，极易出现出栏率低的状况，因此，为养殖者提供出栏推荐服务具有重要意义。出栏推荐服务根据出栏要求对育肥猪进行分类，将适合的育肥猪推荐出栏，把养殖者从纷繁复杂的信息搜集和处理任务中解放出来。为使猪群的分类结果更为合理，本文运用核模糊聚类算法（FKCM）分析猪群数据，描述了猪只属于各个分类的不确定性程度，表述了猪群类属的中介性，使得出栏推荐服务更加客观有效。论文的主要工作如下：1、首先介绍课题的研究背景及意义，重点讨论了畜牧信息化系统的意义及研究现状，详细描述了FKCM的理论基础，重点阐述了FKCM算法的基本思想及算法流程。2、针对FKCM在获得最优聚类数时迭代次数过多的不足，通过减法聚类算法得到了初始聚类数目的最大值，降低了算法的时间复杂度。针对FKCM算法未考虑各样本对聚类划分的结果贡献度不同的缺陷，运用基于放松约束的样本加权法改进了原算法。3、介绍了一些常用的有效性指标，并将其推广到核化空间中，然后提出一个新的基于核空间的聚类有效性指标，并对其做了理论证明，实验证明该指标具备良好的聚类有效性判决能力与实用价值。在对猪群数据进行聚类时，本文先对猪群数据进行样本加权，再运用改进的FKCM对加权后的数据进行划分，最后结合专家调查法推荐猪群出栏。既考虑了各样本对聚类的贡献度，又利用经验调整了聚类结果。实验证明，基于上述方法结合的FKCM在育肥猪出栏上，获得了更为客观的划分效果。4、最后利用改进的FKCM建立了一个出栏推荐模型，并以该模型为依据，在.net环境下完成了育肥猪出栏推荐系统，并将其应用于育肥猪出栏推荐服务。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 课题背景
• 1.3 课题意义
• 1.4 国内外畜牧业信息化系统的发展现状
• 1.5 模糊聚类技术与自动化养猪的结合点分析
• 1.6 论文主要研究内容与组织结构
• 2 聚类算法研究
• 2.1 聚类算法的分类
• 2.1.1 划分的聚类方法
• 2.1.2 层次的聚类方法
• 2.1.3 基于密度的聚类方法
• 2.1.4 基于网格的聚类方法
• 2.1.5 基于模型的聚类方法
• 2.2 模糊聚类概念及其经典算法
• 2.2.1 HCM 聚类算法
• 2.2.2 FCM 聚类算法
• 2.3 模糊聚类算法研究现状
• 2.3.1 对模糊划分矩阵U 的研究
• 2.3.2 对相似性准则 D （ ） 的研究
• 2.3.3 对聚类原型 P 的研究
• 2.3.4 对加权指数 m 的研究
• 2.3.5 对数据集 X 的研究
• 2.4 模糊聚类算法实现途径的研究
• 2.4.1 基于交替优化的方法
• 2.4.2 基于神经网络的方法
• 2.4.3 基于进化计算的方法
• 2.5 模糊聚类有效性的研究
• 2.6 模糊聚类的应用研究
• 2.7 本章小结
• 3 核函数模糊聚类 KFCM 算法的改进
• 3.1 核函数模糊聚类算法 KFCM 的简介
• 3.2 模糊核聚类的加权
• 3.3 对模糊隶属度放松约束
• 3.4 引入减法聚类
• 3.5 基于减法聚类的加权核模糊聚类的提出
• 3.5.1 核函数的选取方法
• 3.5.2 加权核函数模糊聚类算法
• 3.5.3 仿真实验与分析
• 3.6 本章小结
• 4 改进 KFCM 算法的聚类有效性分析
• 4.1 常用的聚类有效性指标
• 4.2 模糊聚类有效性指标函数的核化表示
• 4.2.1 有效性指标V XB的核化表示
• 4.2.2 有效性指标VF S的核化表示
• 4.2.3 有效性指标VK 的核化表示
• 4.2.4 鲍正益的有效性指标Vb 的核化表示
• 4.2.5 Kim 的指标VS V的核化表示
• 4.2.6 Rezaee 的指标VC WB的核化表示
• 4.2.7 Boudraa 的指标VB 的核化表示
• 4.2.8 Amine M.Bensaid 的指标Vb said的核化表示
• 4.2.9 VP BMF指标的核化表示
• 4.3 一种改进的核模糊聚类有效性指标
• 4.4 实验分析
• 4.5 本章小结
• 5 改进 KFCM 算法在自动化养猪系统中的应用
• 5.1 育肥猪适重出栏推荐模型
• 5.2 育肥猪出栏指标体系
• 5.2.1 育肥猪出栏指标体系的建立方法
• 5.2.2 育肥猪出栏指标体系的建立
• 5.3 改进 KFCM 算法在出栏推荐模型中应用分析
• 5.3.1 先期实验条件
• 5.3.2 确定样本数据集
• 5.3.3 改进的 KFCM 对育肥猪的分类
• 5.3.4 推荐出栏
• 5.4 自动化养猪系统的总体结构与功能设计
• 5.4.1 开发环境及开发技术
• 5.4.2 系统结构与数据库设计
• 5.4.3 系统的运行效果
• 5.5 本章小结
• 6 结束语
• 6.1 本文研究工作总结
• 6.2 后续的研究工作与展望
• 致谢
• 参考文献
• 个人简历、在学期间发表的学术论文及取得的研究成果