基于遺傳算法的高維數(shù)據(jù)聚類研究.pdf

1、數(shù)據(jù)挖掘是當今信息產(chǎn)業(yè)界最前沿的研究方向之一，聚類分析是其中的一項重要研究課題。聚類分析是將數(shù)據(jù)根據(jù)一定的相似度度量劃分成若干有用的或有意義的類（簇），其在實際應用中許多領域有著廣泛的應用。目前，低維數(shù)據(jù)的聚類算法已較成熟，受“維度災”(the curse of dimensionality)的影響，許多傳統(tǒng)的聚類算法運用到高維數(shù)據(jù)上往往失效，然而在實際應用中，高維度的數(shù)據(jù)普遍存在，例如，基因表達數(shù)據(jù)、金融數(shù)據(jù)、多媒體數(shù)據(jù)以及文本數(shù)據(jù)等

2、。因此對高維數(shù)據(jù)聚類算法的研究具有非常重要的理論意義和應用價值。
　　 針對高維數(shù)據(jù)聚類問題，最直接有效的方法是降低維度，通過降維技術將原來高維數(shù)據(jù)空間歸約到較低維空間，從而可以利用傳統(tǒng)的聚類方法完成聚類處理。在高維數(shù)據(jù)中，并不是所有的維度對聚類而言都是有效的，因此需要對特征空間進行有效的搜索從而找出有效的聚類特征子空間。對于高維數(shù)據(jù)而言，維度越高，其特征子空間的數(shù)目也就越大，從而導致了傳統(tǒng)的搜索算法像貪婪算法較易陷入局部最優(yōu)解

3、。作為智能算法的一種，遺傳算法(Genetic Algorithms, GA)的全局收斂性得到人們的普遍關注。遺傳算法是通過模擬生物在自然界環(huán)境中的遺傳和進化過程而形成的一種自適應全局優(yōu)化概率搜索算法。本文利用遺傳算法的全局搜索能力對高維數(shù)據(jù)的特征空間進行搜索，以找出有效的聚類特征子空間。同時為了考察特征維在子空間聚類中的特征，設計出一種基于特征維對子空間聚類貢獻率的適應度函數(shù)，具有一定的理論價值和現(xiàn)實指導意義。
　　 論文的創(chuàng)

4、新之處及主要工作如下：
　　 （1）搜索空間的確定及染色體的編碼。將遺傳算法運用到聚類分析問題的方法中，一般的編碼方法多著重在類中心點空間上，本論文將特征選擇空間和類中心點空間兩部分聯(lián)合組成編碼空間，同時附加一些限制條件以有效地縮短編碼長度。（2）設計出一種基于特征維對子空間聚類貢獻率的適應度函數(shù)。作為子空間聚類的評估函數(shù)，它具有比較不同子空間聚類的能力，即聚類結果和子空間所包含的特征維一起評價。（3）設計并實現(xiàn)了一種基于遺傳算