[發明專利]一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法

在審

• 申請號: 201811184450.5
• 申請日: 2018-10-11
• 公開（公告）號: CN109308496A
• 公開（公告）日: 2019-02-05
• 發明（設計）人: 趙嘉;付雪峰;譚德坤;欒輝;汪佳佳;樊棠懷
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 李振瑞

本發明公開了數據聚類挖掘技術領域的一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法，該方法的具體步驟如下：S1：針對樣本集中的每個個體進行適度評判，尋找最優對象；S2：對兩個空間平行進化；S3：將主體群空間和信念空間互補融合后，若進化指數達到設定值的整倍數時，則進行接收操作和影響操作；S4：當運算終止條件達到時，停止運算，否則迭代次數加1，繼續運算；S5：按照樣本件距離最短遴選出最優的方案輸出，本發明能夠避開密度窗寬的選擇問題，所有參數在運算過程中智能設定，通過投影尋蹤聚類和模糊聚類迭代保證了其聚類效果，針對聚類中心和投影方向進行了尋優，提高了數據關鍵向量的優化速度以及最優方案的遴選時間。

技術領域

本發明公開了一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法，具體為數據聚類挖掘技術領域。

背景技術

聚類是數據挖掘中一個必不可少的子領域。聚類算法的目的是將一個樣本集中的每一類相似的樣本分別匯聚為各個類簇，類簇可以描述為一個包含密度相對較高的點集的多維空間中的連通區域，他們借助包含密度相對低的點集的區域與其他區域相分離。對于聚類算法來說，要求想同類內樣本相似性盡可能大，不同類別間相似性盡可能小，一般也采用根據樣本間距離來描述的類內密度和類間距離兩個參數對聚類效果進行評判，即類別內樣本密度越大越好，而類別間隔越遠越好。目前聚類算法已廣泛應用于圖像分割、數據挖掘及統計科學中。投影尋蹤聚類和模糊聚類迭代是目前應用廣泛的兩種聚類算法，其策略均為挖掘樣本集內在分布規律，從而對關鍵向量進行優化，使得聚類評價結果滿足函數最優化的要求，聚類效果良好。

但是傳統的投影尋蹤聚類用投影值標準差來表征類間密度，投影點在每個窗中的分布情況來表征類內密度，密度窗寬為唯一需設定的參數，并且其取值是否合理直接關系到聚類結果的有效性，目前用于確定密度窗寬的計算方法均缺乏理論證明，不能驗證聚類結果的科學性；而模糊聚類迭代中的待評價樣本數量大、指標維數高時，其計算復雜度很高，對樣本分散情況的依賴性很高，受預設聚類中心影響很大，易陷入局部收斂。為此，我們提出了一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法投入使用，以解決上述問題。

發明內容

本發明的目的在于提供一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于模糊聚類迭代與投影尋蹤的最優方案遴選方法，該方法的具體步驟如下：

S1：針對樣本集中的每個個體進行適度評判，尋找最優對象；

S2：對兩個空間平行進化，其中主體群空間進化規則為混沌差分進化算法，信念空間采用基于分段線性混沌映射的混沌搜索進行進化；

S3：將主體群空間和信念空間互補融合后，若進化指數達到設定值的整倍數時，則進行接收操作和影響操作；

S4：當運算終止條件達到時，停止運算，否則迭代次數加1，繼續運算；

S5：按照樣本件距離最短遴選出最優的方案輸出。

優選的，所述步驟S2中，分段線性混沌映射的表達式如下：式中，r為控制參數。