基于人工免疫网络的在线核聚类算法.pdfVIP

第 24 卷第 3 期 成 　都 　信 　息　工 　程 　学 　院　学 　报 Vol . 24 No . 3 2009 年 6 月 J OU RNAL OF CHEN GDU UN IV ERSI T Y OF IN FORMA TION TECHNOL O GY J un . 2009 文章编号 : 167 11742 (2009) 基于人工免疫网络的在线核聚类算法 程国峰 , 　陈诗平 , 　许家王台 ( 电子科技大学数学学院 , 四川 成都 6 10054) 　　摘要 :针对核聚类算法与免疫网络聚类算法的不足 ,将免疫网络机制与核理论相结合 ,通过用核距离函数代替 欧拉距离函数 ,设置反映抗体识别抗原数量的权重和引入人工免疫网络机制等解决样本类边界模糊和类间数据密 度分布不均匀问题 。最后通过人工数据集和 IR IS 数据集上的仿真试验 ,验证了算法的有效性 。 关 　键 　词 :核聚类 ;免疫网络 ;边界模糊 ;密度 中图分类号 : TP393 　　　　　　文献标识码 :A 1 　引言 基于免疫网络的聚类算法通过抗体抗体及抗体抗原之间的相互作用将样本分别映射到免疫网络内部相应 的神经元上 ,彼此亲和度高的神经元归为一类 ,这样样本在数据集中也相应地分为不同的类 。该聚类方法全局收 敛和解决了聚类分析前需要先验知识的问题 ,但存在一个较大的弱点就是当数据集中各类间边界不明显 ,或存在 噪声时 ,这些样本作为抗原 ,能够极大地激活免疫系统 ,引起细胞增值以及抗体分泌 ,使网络结构不清晰 ,从而不 能正确的分类[ 1 ] 。 基于核的聚类方法通过核函数的非线形映射 ,将原空间中的非线性聚类问题转化为高维空间中的线性或近 似线性聚类 ,映射后凸显了样本空间的特性差异 ,从而取得更好的聚类性能 ,但存在全局收敛概率较低等缺点 。 该方法能够很好地克服噪声的干扰 ,能够解决数据集间各类边界不清晰的问题[2 ] 。 针对上述聚类方法的不足 ,结合核聚类算法解决边界不清晰的能力和免疫网络聚类算法全局收敛 、不需要先 验知识的优点 ,提出了一种基于免疫网络原理的在线核聚类算法 ,经过在人工数据集仿真试验 ,结果表明较基于 免疫网络自适应半径的A R IA 算法[3 ] 在处理边界模糊问题上性能优越 ;经过在著名 IR IS 数据集上的试验表明 , 该算法能够对 IR IS 数据集正确分类 。 2 　基于人工免疫网络的在线核聚类算法 在线聚类算法每接受到一个新的样本 ,聚类中心就更新一次 ,算法的好处是能发现隐含在数据中的时续结 构 ,适合对非平稳数据集合的聚类 , 同时可以对数据中心快速实时地更新[4 - 5 ] 。 2 . 1 　亲和力函数的定义 p ( ) q χ χ 假设样本 x ∈R → x ∈R , q p 其中 : →F 为非线性映射 ,将输入空间 变换至高维特征空间F 中 , ( ) ( ) T ( ) 然后在 F 中进行聚类 。特征空间 F 中可定义满足 Mercer 条件的核函数 K x , y = x y 。可在原输入空 间中诱导出了一类核依赖的新的度量定义为 : ( ) ( ) ( ) 　d x , y = ‖ x - y ‖ ( ) T ( ) ( ) T ( ) ( ) T ( ) = x x - 2 x y + y y = K ( x , x) - 2 K ( x , y) + K ( y , y) 常用的满足 Mercer 条件的核函数是高斯核函数 。 在基于免疫网络结