基于競(jìng)爭(zhēng)選擇的人工免疫網(wǎng)絡(luò)聚類算法研究.pdf

1、Data Mining，在學(xué)術(shù)研究中也稱為數(shù)據(jù)挖掘，指的是使用相應(yīng)的算法手段，從大規(guī)模的數(shù)據(jù)中尋找不易于被大家發(fā)現(xiàn)的有用信息，常常被用來當(dāng)做數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)的其中一個(gè)環(huán)節(jié)?，F(xiàn)在，聚類作為知識(shí)發(fā)現(xiàn)領(lǐng)域的一種新興挖掘手段，聚焦了更多學(xué)者們的視點(diǎn)。在前期研究中，對(duì)于大部分維數(shù)不是很高的數(shù)據(jù)，已有的的聚類方法都能夠解決，但是，隨著科技的迅速推進(jìn)，需要處理的各種數(shù)據(jù)也在變化，不僅數(shù)量增多了，而且維數(shù)也在增加，這直接導(dǎo)致了現(xiàn)有聚類算法的失效。本文在傳

2、統(tǒng)aiNet的框架下，提出了基于二次競(jìng)爭(zhēng)選擇的改進(jìn)算法，并將該算法應(yīng)用到了普通數(shù)據(jù)集、UCI數(shù)據(jù)集和紋理圖像處理方面。本文詳細(xì)工作如下：
　　(1)在aiNet的理論基礎(chǔ)之上，提出了基于二次競(jìng)爭(zhēng)選擇的概念。與原算法相比，該算法將網(wǎng)絡(luò)抑制算子和克隆抑制算子分別替換為了競(jìng)爭(zhēng)選擇，成功解決了傳統(tǒng)aiNet對(duì)含噪數(shù)據(jù)集處理能力欠佳的問題，提高了抗噪性能，降低了對(duì)噪聲的敏感程度。在與aiNet和F-aiNet的對(duì)比中，我們總結(jié)出：cs-ai

3、Net在含噪數(shù)據(jù)集的處理上，性能優(yōu)良。并且，與傳統(tǒng)的聚類方法k-means相比，改進(jìn)算法的聚類能力絲毫沒有衰減。
　?。?）在二次競(jìng)爭(zhēng)選擇的基礎(chǔ)上，我們又做了相應(yīng)改進(jìn)，加入了核函數(shù)方法。上一章節(jié)中的改進(jìn)算法在復(fù)雜數(shù)據(jù)集的應(yīng)用上，往往沒有辦法得到正確的聚類結(jié)果，尤其是對(duì)于類別交叉的數(shù)據(jù)。但是加入核函數(shù)后，原數(shù)據(jù)集就會(huì)變得線性可分,再進(jìn)行處理就簡(jiǎn)單多了。能夠出現(xiàn)這種效果的原因：采用了非線性映射，數(shù)據(jù)由原來的空間轉(zhuǎn)到了特征空間。在對(duì)比實(shí)

4、驗(yàn)中，相比于其他算法，基于核函數(shù)的改進(jìn)算法表現(xiàn)出了良好的可行性和有效性。
　?。?）提出了基于cs-aiNet的紋理圖像分割算法。該方法將改進(jìn)的算法應(yīng)用到了圖像處理中的分割領(lǐng)域。由于圖像的數(shù)據(jù)量較大，對(duì)于智能化的算法，時(shí)間復(fù)雜度本來就高，直接對(duì)圖像的像素點(diǎn)進(jìn)行處理往往是行不通的，所以我們首先用灰度矩陣和小波變換的方法得到了待分割圖像的灰度特征和小波特征，然后將這些特征值作為初始抗原種群輸入免疫網(wǎng)絡(luò)。通過與k-means和MOCK的