[发明专利]一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法

说明书

本发明公开了数据聚类挖掘技术领域的一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法，该方法的具体步骤如下：S1：针对样本集中的每个个体进行适度评判，寻找最优对象；S2：对两个空间平行进化；S3：将主体群空间和信念空间互补融合后，若进化指数达到设定值的整倍数时，则进行接收操作和影响操作；S4：当运算终止条件达到时，停止运算，否则迭代次数加1，继续运算；S5：按照样本件距离最短遴选出最优的方案输出，本发明能够避开密度窗宽的选择问题，所有参数在运算过程中智能设定，通过投影寻踪聚类和模糊聚类迭代保证了其聚类效果，针对聚类中心和投影方向进行了寻优，提高了数据关键向量的优化速度以及最优方案的遴选时间。

技术领域

本发明公开了一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法，具体为数据聚类挖掘技术领域。

背景技术

聚类是数据挖掘中一个必不可少的子领域。聚类算法的目的是将一个样本集中的每一类相似的样本分别汇聚为各个类簇，类簇可以描述为一个包含密度相对较高的点集的多维空间中的连通区域，他们借助包含密度相对低的点集的区域与其他区域相分离。对于聚类算法来说，要求想同类内样本相似性尽可能大，不同类别间相似性尽可能小，一般也采用根据样本间距离来描述的类内密度和类间距离两个参数对聚类效果进行评判，即类别内样本密度越大越好，而类别间隔越远越好。目前聚类算法已广泛应用于图像分割、数据挖掘及统计科学中。投影寻踪聚类和模糊聚类迭代是目前应用广泛的两种聚类算法，其策略均为挖掘样本集内在分布规律，从而对关键向量进行优化，使得聚类评价结果满足函数最优化的要求，聚类效果良好。

但是传统的投影寻踪聚类用投影值标准差来表征类间密度，投影点在每个窗中的分布情况来表征类内密度，密度窗宽为唯一需设定的参数，并且其取值是否合理直接关系到聚类结果的有效性，目前用于确定密度窗宽的计算方法均缺乏理论证明，不能验证聚类结果的科学性；而模糊聚类迭代中的待评价样本数量大、指标维数高时，其计算复杂度很高，对样本分散情况的依赖性很高，受预设聚类中心影响很大，易陷入局部收敛。为此，我们提出了一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法投入使用，以解决上述问题。

发明内容

本发明的目的在于提供一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法，该方法的具体步骤如下：

S1：针对样本集中的每个个体进行适度评判，寻找最优对象；

S2：对两个空间平行进化，其中主体群空间进化规则为混沌差分进化算法，信念空间采用基于分段线性混沌映射的混沌搜索进行进化；

S3：将主体群空间和信念空间互补融合后，若进化指数达到设定值的整倍数时，则进行接收操作和影响操作；

S4：当运算终止条件达到时，停止运算，否则迭代次数加1，继续运算；

S5：按照样本件距离最短遴选出最优的方案输出。

优选的，所述步骤S2中，分段线性混沌映射的表达式如下：式中，r为控制参数。