[发明专利]模拟分叉与脑启发认知的混合聚类方法

权利要求书

1.一种模拟分叉与脑启发认知的混合聚类方法，其特征在于，包括：

创建一个二次无约束二进制优化模型以对数据进行聚类，所述二次无约束二进制优化模型基于模拟分叉的方式来计算出每个数据所对应的二值性的变量，每个数据根据其对应的二值性的变量的值而被划分到相应的一个簇中。

2.根据权利要求1所述的方法，其特征在于：

所述数据的类型包括带有地理位置信息的车辆行程数据。

3.根据权利要求1所述的方法，其特征在于：

将所述数据分成多个聚类并提取每个聚类的簇核，通过选择性注意力机制将注意力集中在各个以簇核为中心的聚类之间的一个交叠区域处，交叠区域的数据视为关键数据。

4.根据权利要求3所述的方法，其特征在于：

基于非关键数据到各簇中心的距离和关键数据到各簇中心的距离，来构建所述二次无约束二进制优化模型。

5.根据权利要求3所述的方法，其特征在于：

基于关键数据与余下其他数据之间的夹角，来构建所述二次无约束二进制优化模型。

6.根据权利要求1所述的方法，其特征在于：

所述二次无约束二进制优化模型进行多次迭代求解，每次计算出每个数据对应的二值性的变量时，每个数据根据其更新的二值性变量的值而重新划分到相应的一个簇，直至数据的聚类结果保持不变。

7.根据权利要求6所述的方法，其特征在于：

每个簇在每次更新数据之后，计算出其更新后的数据的平均值，作为新的簇核。

8.根据权利要求1所述的方法，其特征在于：

用变量q_i、q_j表示数据x_i、x_j所在的簇C₀或C₁，各聚类之间的距离E(q)表述为：

当x_i∈C₀时，q_i＝0；当x_i∈C₁时，q_i＝1；d_ij是数据x_i和数据x_j之间的距离；

根据变量的结果，将任意一个簇的中心坐标点初始化成其簇核的重心。

9.根据权利要求3所述的方法，其特征在于：

计算数据x_i到簇C₀的中心C_a的距离d_ia和到簇C₁的中心C_b的距离d_ib，若满足：

d_ia＜d_ab、d_ib＜d_ab、|d_ia-d_ib|/d_ab＜1/3；

中心C_a到C_b的距离为d_ab，则中心分别为C_a到C_b的聚类之间的交叠区域处的数据视为关键数据。