基于遗传算法的模糊聚类挖掘方法应用研究-计算机应用技术专业论文.docxVIP

摘 摘 要 随着信息技术和数据库技术的迅猛发展，人们能够获取的数据也与 日俱增，对数据的加工处理已经成为人们获取有用信息不可缺少的工具。 数据挖掘是一种通用的知识发现技术，利用各种分析工具在大量数据中 发现模型和数据间的关系的过程。聚类分析是数据挖掘技术中重要的组 成部分，数据聚类挖掘技术是一个正在蓬勃发展的领域，涉及了人们生活 的各个方面。 ·模糊聚类FCM(Fuzzy C-means)算法是的一种重要的无监督学习的数 据聚类挖掘方法，已成为聚类分析技术研究的热点。该算法具有结构简 单、局部搜索能力强且收敛速度快的特点，然而FCM算法容易受聚类初 始化的影响，而且在迭代时非常容易陷入局部极小。遗传算法是一种随 机搜索的全局优化算法，它通过模拟自然进化过程对最优解进行搜索， 其显著的特点是具有并行性及对搜索范围的全局性。如果将FCM算法和 遗传算法相结合，用遗传算法来解决聚类问题，既能发挥遗传算法的全 局寻优能力，又能兼顾FCM算法的局部搜索能力，从而大大提高算法的 性能。 本文提出了一种基于改进遗传算法的模糊聚类算法(IG．FCM)，该算 法首先采用遗传算法的全局搜索特性对初始聚类中心进行全局优化，接 着运用FCM算法的局部寻优特性进一步的最优解搜索。IG．FCM算法采 用了一种启发式聚类的方法，通过有序改变聚类类别数目，利用聚类有 效性评价函数自动确定最优聚类数目及最优聚类结果。由于采用传统遗 传算法进行聚类会出现算法收敛速度慢，以及稳定性不高、精准性低等 问题，本文改进的遗传算法采取最优保存策略来保留当前种群中适应度 最高的个体，让其副本及其他个体进行最大适应度差异交叉操作，确保 遗传算法优良基因迭代的稳定性，避免不良基因的扩散，提高了算法的 收敛速度和精确度。 本文在IG-FCM聚类算法研究的基础上，针对现有的入侵检测系统 检测性能的不足以及聚类算法在入侵检测系统中应用的特点，提出了基 于改进遗传算法的特征加权模糊聚类算法(I(3．WFCM)算法，将该算法 用于入侵检测系统中训练数据集的聚类划分，以此为依据来检测网络数 据是否正常。基于IG．WFCM算法的入侵检测系统采用将连续型属性和 离散型属性分别处理的数据预处理方式，数据之间相似性度量采用加权 离散型属性分别处理的数据预处理方式，数据之间相似性度量采用加权 的混合距离度量方式，并且采用设定正常数据类集聚类宽度阈值的方法 来检测异常数据，以此来提高入侵检测系统的检测率。 本文通过采用KDD CUP 1 999入侵检测数据集进行了仿真实验，结 果显示IG．WFCM算法的平均检测率达到了80．1％，平均误警率保持为 1．605％左右。这充分表明IG．WFCM算法的可行性和有效性，能够克服 FCM算法易陷入局部极小值、检测精度低等缺陷，在一定程度上提高了 入侵检测系统的性能和效率。 关键词：数据挖掘：入侵检测；遗传算法；模糊聚类 n AB AB STRACT With information technology and database technology developing at very fast speed，information processing has become a indispensable tool for people to acquire useful message．Data mining is a generic knowledge discovery technology，it is a process of findingmodel and the relationship of the data in a large amount of data by analytical tools．Clustering analytical is an important component of data mining technology．Data clustering mining technology is an emerging area which involves various areas· FCM(Fuzzy c．means)algorithm，as a kind of unsupervised learning methods，it is a research hotspot concerning about data clustering analytical technology．FCM is one of important algorithm in data clustering mining methods．it has the characteristics as simple，fast converg