[发明专利]基于群智能算法的投影寻踪分类建模软件及实现

说明书

技术领域

本发明属于计算机应用技术领域，特别涉及一种解决高维数据的分类和排序问题的基于群智能算法的投影寻踪分类建模软件及实现。

背景技术

在处理高维、非线性、非正态分布的数据时，传统统计方法的效果较差。1974年，Friedman提出了可有效解决这一问题的投影寻踪分类（Projection Pursuit Clustering，简称PPC）模型，随后该模型被引入国内，并在众多领域内广泛使用，也取得了很好的效果。PPC建模的基本思想是：寻找一个投影向量，将原始高维数据映射到低维子空间上，并通过研究子空间上的数据规律来揭示原始数据的结构特性，以达到研究高维数据的目的。Friedman提出的一维PPC模型目标函数Q(b)＝max(S_y*D_y)应用最广，本发明以该目标函数为研究对象。

在PPC建模过程中，首先要消除样本数据之间由于量纲不同而带来的不利影响，即必须对样本数据进行归一化处理。常用的归一化处理方法有极差归一法、最大值归一法和零均值归一法，三种不同归一化方法对PPC建模结果具有不同的影响，应用者应该针对样本数据的分布特点选择合理的归一化方法。

从PPC模型目标函数可以看出，局部密度窗口半径R是唯一影响投影向量的参数，因此选取合理的R值是PPC建模的关键之一。Friedman提出确定合理的R值需要满足两个要求：①要求投影点在整体上尽可能分散，局部上尽可能密集；②投影窗口内的投影点个数既不能太少，以免样本滑动平均时偏差太大，同时又不能随着样本个数n的增大而增加太大。国内学者根据选取R值的要求，提出了确定R值的三种方案：①较小值方案，即R≤0.1S_z；②较大值方案，即r_max≤R≤2p；③中间适度值方案，即r_max5≤R≤r_max3。

目前，没有任何一款软件能够提供PPC建模，采用原始方法实现的PPC建模求得的全局最优解的可靠性、合理性以及正确性都很低。

因此，计算机应用技术领域急需一款能够对比三种不同归一化方法的结果，提出如何确定合理的R值范围，进而提出如何判断求得的结果是全局最优解的准则，计算结果便于比较验证，提高了PPC建模求得的全局最优解的可靠性、合理性和正确性的基于群智能算法的投影寻踪分类建模软件。

发明内容

本发明提供了一种基于群智能算法的投影寻踪分类建模软件及实现，技术方案如下：

基于群智能算法的投影寻踪分类建模软件，包括：

样本数据模块，用于对样本数据进行采集；

归一化方法模块，与样本数据模块相连接，用于对采集到的样本数据进行预处理；

PPC建模模块，与归一化方法模块相连接，用经过预处理的样本数据建立PPC模型；

全局最优解模块，与PPC建模模块相连接，设定合理的R值，通过群智能最优化算法进行求得全局最优解，并且根据是否求得真正全局最优解的准则判断最优化过程求得的全局最优解是否正确，从而求得最优投影向量和样本投影值。

如上的基于群智能算法的投影寻踪分类建模软件，其中，归一化方法模块，还包括：极差归一法模块、最大值归一法模块、零均值归一法模块。

如上的基于群智能算法的投影寻踪分类建模软件，其中，全局最优解模块，还包括：粒子群算法模块、多智能体遗传算法模块、混沌蜂群算法模块。

基于群智能算法的投影寻踪分类建模软件的实现方法，其中，包括如下步骤：

步骤一：样本数据归一化预处理；

首先通过样本数据采集模块采集样本数据，由于样本数据各指标之间的单位、评价标准、数值大小的变化范围等均存在较大的差异，为了尽可能保留原始样本数据中评价指标值之间的相对变化信息和规律，必须对原始样本数据进行预处理，通过归一化方法模块提供了三种不同的归一化方法对原始样本数据进行预处理，求出正向指标和逆向指标，具体方法为：

①采用极差归一法，求出正向指标和逆向指标值，具体为：

正向指标：

逆向指标：

②采用最大值归一法，求出正向指标和逆向指标值，具体为：

正向指标：

逆向指标：

③采用零均值归一法，求出正向指标和逆向指标值，具体为

正向指标：

逆向指标：