核聚类人工免疫网络模型的设计.docVIP

核聚类人工免疫网络模型的设计 　　摘要:针对聚类分析问题和人工免疫系统的应用特性,构造出一种新型的人工免疫系统的应用形式―核聚类人工免疫网络。 　　关键词:聚类分析;人工免疫系统;核方法 　　中图分类号:TP311文献标识码:A 文章编号:1009-3044(2009)26-7478-02 　　 　　Design of the Kernel Clustering Artificial Immune Network Model 　　WU Qi-ming1, CHEN Hao2 　　(1.Department of Computer and Information Science, Hechi University, Yizhou 546300, China; 2.Shenzhen Polytechnic Computer Center, Shenzhen 518055, China) 　　Abstract: Aim at clustering analysis, based on the application of AIS, present a new form of AIS, called Kernel Clustering Artificial Immune Network. 　　Key words: clustering analysis; Artificial Immune system; kernel methods 　　 　　聚类是根据数据的不同特征,将其划分为不同的数据类。聚类分析具有广泛的应用,包括市场或顾客的分割、模式识别、生物学研究、空间数据分析、WEB文档分类等。聚类分析可以用作独立的数据挖掘工具来获得对数据分布的了解,也可以作为其它对发现的簇运行的数据挖掘算法的预处理步骤。 　　免疫系统是一个由若干功能部件组成的相当复杂的系统,它有许多优良的功能特性引起了人们的注意。近年来,随着基础医学研究的深入,人们对免疫系统的机理也有了越来越清楚的认识。从系统的角度来看,生物免疫系统是一个自组织、自适应的、具有高度并行处理能力的强鲁棒性系统从信息处理的角度来看,生物免疫系统又是一个具有多样性识别能力、增强学习机制和分布式联想记忆的强大信息处理系统。 　　人工免疫系统用于聚类可以大大提高聚类的效率,具有较强的特征抽取能力。 　　任何核方法的解决方案都由两个部分组成:一个模块和一种学习算法。模块执行的是映射到特征空间的过程,而学习算法则用来发现这一空间的线性关系。检测线性关系是许多统计学研究和机器学习研究的焦点,研究得出的算法已得到人们的深入了解,其运行效率也很高。我们可以通过核函数在高维空间中高效地表示线性模式。 　　提出一种核聚类人工免疫网络模型,开辟一条高效率聚类分析的新方法。 　　 　　1 聚类和核聚类 　　 　　聚类是根据数据的不同特征,将其划分为不同的数据类。它的目的是使得属于同一类别的个体之间的距离尽可能的小,而不同类别上的个体间的距离尽可能的大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法等。 　　点集的数据结构、被分析的点集中样本点的数量、所采用的距离度量和相似性度量、所用的聚类准则,以及最终的聚类数都会影响到分类的结果。此外,样本各分量之间的尺度比例的确定也是一个十分重要的问题。这都会使得聚类质量难以把握。 　　一般说来,间接的动态聚类算法的计算效率很高,因此为很多人所乐于采用。它的主要缺点是所选定这种模型常常不能反映数据的概率结构,因此用这些方法所得到的聚类结果不能反映数据构造的真实情况。我们只有通过选择各种各样的核函数以及分析用这些核函数所得到的聚类结果来部分地解决这种困难。 　　 　　2 人工免疫网络 　　 　　COOKER等最先设计了人工免疫网络,并将它用于机器学习。他们提出了一种人工免疫系统用于有指导的机器学习,这一设计的中心工作就是利用了免疫网络理论构造人工免疫系统,该系统用到的生物免疫系统机制包括细胞、细胞的刺激度、免疫网络理论、基因库、变异以及适于分类问题的抗体串。他们所设计的系统形式通过一系列的研究和改进,最后的人工免疫网络称为系统。该系统包含一个即抗体网络,如果两个之间的亲和力超过某一闭值,它们就相互连接。每个由四个要素组成匹配规则、基因库用于产生抗体,即序列、许多中间序列、该的刺激度即抗体的评价。而系统中的抗原就是待学习的串的表达。最初,随机选择一组训练数据构成网络,其余的数 　　据就是抗体训练集。 　　 　　3 基于核的聚类分析过程, 　　 　　基于核的聚类分析过程可以分为如下几个步骤: 　　1)确定聚类准则。聚类准则就是聚类结果的评价标准;2)确定模式类的核的表达方式;3)确定核的修改策略;