基于竞争选择的人工免疫网络聚类算法研究

摘要

Data Mining，在学术研究中也称为数据挖掘，指的是使用相应的算法手段，从大规模的数据中寻找不易于被大家发现的有用信息，常常被用来当做数据库知识发现的其中一个环节。现在，聚类作为知识发现领域的一种新兴挖掘手段，聚焦了更多学者们的视点。在前期研究中，对于大部分维数不是很高的数据，已有的的聚类方法都能够解决，但是，随着科技的迅速推进，需要处理的各种数据也在变化，不仅数量增多了，而且维数也在增加，这直接导致了现有聚类算法的失效。本文在传统aiNet的框架下，提出了基于二次竞争选择的改进算法，并将该算法应用到了普通数据集、UCI数据集和纹理图像处理方面。本文详细工作如下：
　　(1)在aiNet的理论基础之上，提出了基于二次竞争选择的概念。与原算法相比，该算法将网络抑制算子和克隆抑制算子分别替换为了竞争选择，成功解决了传统aiNet对含噪数据集处理能力欠佳的问题，提高了抗噪性能，降低了对噪声的敏感程度。在与aiNet和F-aiNet的对比中，我们总结出：cs-aiNet在含噪数据集的处理上，性能优良。并且，与传统的聚类方法k-means相比，改进算法的聚类能力丝毫没有衰减。
　　（2）在二次竞争选择的基础上，我们又做了相应改进，加入了核函数方法。上一章节中的改进算法在复杂数据集的应用上，往往没有办法得到正确的聚类结果，尤其是对于类别交叉的数据。但是加入核函数后，原数据集就会变得线性可分,再进行处理就简单多了。能够出现这种效果的原因：采用了非线性映射，数据由原来的空间转到了特征空间。在对比实验中，相比于其他算法，基于核函数的改进算法表现出了良好的可行性和有效性。
　　（3）提出了基于cs-aiNet的纹理图像分割算法。该方法将改进的算法应用到了图像处理中的分割领域。由于图像的数据量较大，对于智能化的算法，时间复杂度本来就高，直接对图像的像素点进行处理往往是行不通的，所以我们首先用灰度矩阵和小波变换的方法得到了待分割图像的灰度特征和小波特征，然后将这些特征值作为初始抗原种群输入免疫网络。通过与k-means和MOCK的对比，改进算法在部分图像上表现出了满意的分割结果。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1论文研究背景

1.2论文研究现状

1.3论文内容与安排

第二章 基于二次竞争选择的人工免疫网络聚类算法

2.1引言

2.2聚类算法

2.3基于二次竞争选择的人工免疫网络算法

2.4对比实验

2.5本章小结

第三章 基于核函数的二次竞争选择人工免疫网络聚类算法

3.1引言

3.2核函数问题的描述

3.3基于核函数的二次竞争选择人工免疫网络聚类算法

3.4对比实验

3.5本章小结

第四章 基于二次竞争选择的人工免疫网络聚类算法的图像分割

4.1引言

4.2图像分割

4.3基于二次竞争选择的人工免疫网络聚类算法的图像分割

4.4对比实验

4.5本章小结

第五章 总结和展望

5.1研究结论

5.2研究展望

参考文献

致谢

作者简介