基于人工蜂群的模糊聚类数据挖掘算法研究

摘要

随着社会经济的进步，工业生产过程的自动化和智能化程度越来越高。自动化程度的不断加深使企业积累和存储了越来越多的过程历史数据。一方面，随着企业对自身要求的不断提高，这些丰富的数据资源成为可以利用的资源；另一方面，工业过程的生产实践和科学研究又以大量的数据为基础，需要通过一定的方法和手段进行分析、处理，已完成工业过程的在线监控、过程辨识、故障诊断和控制策略的设计等工作。因此，数据挖掘作为一种从大量数据中提取有用信息的技术手段，受到越来越多的关注。人工蜂群算法是一种模拟蜜蜂群智能搜索行为的群智能优化算法。由于其控制参数少、易于实现、计算简洁等优点，已被越来越多的学者所关注。模糊C均值聚类(FCM)和核模糊C-均值聚类(KFCM)算法虽然已被应用于模式识别、图像处理以及计算机视觉等众多领域中，但仍然存在一些缺陷。
　　 本文针对FCM算法存在容易陷入局部极小值和对初始值敏感的缺点，提出了一种基于人工蜂群(ABC)的模糊聚类算法。KFCM算法在一定程度上克服了对数据内在形状分布的依赖，但还存在对初始值敏感、容易陷入局部极小值的缺点。为此，本文提出一种基于人工蜂群的核模糊C-均值聚类算法(ABC-KFCM)。ABFM算法和ABC-KFCM算法有效提高了算法的搜索效率、减少了搜索过程中陷入局部最优的现象，但在聚类数大和维度高时效果不太好，为此引入Boltzmann选择机制代替轮盘赌的选择方式，并采用小区间生成法使初始群体均匀化，使得该算法的全局寻优能力更强。实验结果表明，新算法不仅有效克服了FCM和KFCM算法易陷入局部最优的缺点，而且对于聚类数比较大维度较高的数据样本的聚类效果更准确，效率更高。TE过程具有过程变量多、数据维度高、变量间关系复杂、非线性等特点使得传统的降维方法得不到预期的效果，因此，引入流行学习的方法对数据进行降维处理，然后再用ABFM算法进行聚类分析。仿真结果表明改进的算法具有可行性和优越性，并达到了预期效果。

目录

文摘

英文文摘

插图索引

附表索引

第1章 绪论

1.1 研究背景和意义

1.2 数据挖掘概述

1.2.1 数据挖掘概念及其过程

1.2.2 数据挖掘的主要算法

1.3 本文研究内容

1.4 本文组织结构

第二章 模糊聚类算法

2.1 模糊聚类概述和研究现状

2.1.1 模糊聚类概述

2.1.2 模糊聚类研究现状

2.2 常用模糊聚类算法简介

2.2.1 模糊C-均值聚类算法

2.2.2 核模糊C-均值聚类算法

2.3 本章小结

第三章 基于人工蜂群的模糊聚类算法

3.1 群智能算法

3.1.1 群智能算法简介

3.1.2 几种常见的群智能算法

3.2 人工蜂群算法简介

3.2.1 人工蜂群算法的生物模型

3.2.2 人工蜂群算法

3.3 基于人工蜂群的模糊聚类算法

3.3.1 基于人工蜂群的FCM(ABFM)算法

3.3.2 基于人工蜂群的KFCM(ABC-KFCM)算法

3.3.3 实验结果分析

3.4 基于BOLTZMANN选择的人工蜂群的模糊聚类算法

3.4.1 Boltzmann选择机制

3.4.2 小区间法

3.4.3 基于Boltzmann选择的改进ABFM算法

3.4.4 基于Boltzmann选择的改进ABC-KFCM算法

3.4.5 实验结果

3.5 本章小结

第四章 基于拉普拉斯特征映射的TE化工过程模糊聚类算法

4.1 TE过程

4.1.1 工艺过程概况

4.1.2 TE过程故障

4.2 流行学习简介

4.3 基于拉普拉斯特征映射的ABC-FCM算法

4.3.1 拉普拉斯特征根映射法

4.3.2 基于拉普拉斯特征映射的ABFM算法

4.4 实验结果分析

4.4.1 UCI数据集

4.4.2 TE数据集

4.5 本章小结

结论与展望

参考文献

致谢

附录 攻读硕士学位期间所发表的学术论文