改進的人工免疫網絡聚類算法研究.pdf

1、數據挖掘作為數據庫知識發(fā)現的重要組成部分，它為人們從數據庫中提取出有用的信息，而聚類作為一種重要的數據挖掘方法，它可以用極少的先驗知識對數據進行分析。近年來，隨著科學信息技術的發(fā)展，數據形態(tài)的多樣化，傳統(tǒng)的聚類算法已經越來越難以滿足技術的需要，能夠處理復雜數據集的聚類算法開始成為主流。根據不同數據的數據類型，本文基于人工免疫網絡提出了三種改進算法。首先基于二次免疫機制將對人工免疫網絡聚類算法進行改進，處理分布特殊的數據集；然后用Kern

2、el方法對人工免疫網絡進行改進，處理真實數據集；最后，將基于相似維的子空間聚類算法與人工免疫網絡算法結合起來，處理高維數據集。本文具體工作如下：
　　1.我們首先提出一種基于二次免疫機制的人工免疫網絡聚類算法。改進點主要是：1.引入了競爭選擇機制，解決了原始的人工免疫網絡聚類算法對噪聲敏感的問題，提高了算法的抗噪性能。2.在改進的人工免疫網絡算法的基礎上，使用二次免疫機制，提出了基于二次免疫機制的人工免疫網絡聚類算法(SIMAIN

3、)。它主要改進了算法的時間復雜度，減小了計算成本。在對比實驗中，通過與其他算法的比較，本算法在分布特殊的人工數據集上具有普適性與優(yōu)越性。
　　2.針對真實數據集的處理，我們將Kernel方法應用到人工免疫網絡算法的改進上，提出了一種基于核的人工免疫網絡的真實數據集聚類算法(KSIMAIN)。由于基于核聚類的方法可以把原空間中的非線性聚類問題轉變成高維空間中的線性或近似線性聚類問題,從而獲得較好的聚類效果，但存在全局收斂性較低的缺點

4、。而改進的人工免疫網絡聚類算法有著這些優(yōu)點：全局收斂、運行效率高并且不需要先驗知識，所以我們提出聯(lián)合兩種算法的優(yōu)點，使算法發(fā)揮出較好的聚類效果和穩(wěn)定性，在對比實驗中也體現了這一點。我們還驗證了針對不同類型的數據最好結合不同方法進行聚類處理。
　　3.針對高維數據的處理，我們將改進的人工免疫網絡算法與基于相似維的子空間聚類算法結合起來，因為人工免疫網絡聚類算法能夠很好地適應非凸數據集的處理，并且不需要提供類別信息。通過改進，它的抗噪