基于計算智能的聚類技術及其應用研究.pdf

1、智能是個體有目的的行為、合理的思維，以及有效的適應環(huán)境的綜合能力。計算智能是多種智能的集合，它具有在不確定不精確環(huán)境中進行推理和學習的卓越能力，是建立智能系統(tǒng)和智能模型的有效分析和計算工具。 聚類是分析數(shù)據(jù)并從中發(fā)現(xiàn)有用信息的一種有效手段。基于“物以類聚”的思想，它將數(shù)據(jù)對象分組成為若干個類或簇，使得在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象之間差別很大。通過聚類，人們能夠識別密集和稀疏的區(qū)域，發(fā)現(xiàn)全局的分布模式以

2、及數(shù)據(jù)屬性之間有趣的相互關系。 計算智能通過建立聚類分析模型和計算用于聚類分析?；谟嬎阒悄艿木垲惙治瞿Ｐ蜁^承生物系統(tǒng)的處理機制和特征，即對模型有自然的描述能力，并不需要建立精確的數(shù)學模型；對處理目標的特性有良好的適應能力；具有良好的自組織特征；處理結果的可視化效果好，便于理解學習；具有一定的智能特征，從而獲得了一定智能行為的能力；生物系統(tǒng)的多變性和多樣性，也帶來了處理目標的多樣性；生物系統(tǒng)是大自然的一種客觀存在，便于觀察和分

3、析，因此具有良好的開放性。 計算智能領域非常廣泛，從方法上講，目前計算智能主要包括模糊控制、神經(jīng)網(wǎng)絡、進化計算、群體智能、免疫算法、人工生命和DNA計算等。論文以自組織特征映射(SOM)神經(jīng)網(wǎng)絡和群體智能兩種計算智能技術用于聚類分析作為研究主線，開展研究，提出了動態(tài)SOM(DSOM)聚類分析模型和自組織混合蟻群(SOMAC)聚類分析模型，對兩種模型基于數(shù)據(jù)并行和消息傳遞模式進行并行化研究，提出了DSOM并行聚類算法和SOMAC并

4、行聚類算法，最后將DSOM聚類分析模型及其并行化策略用于客戶分類，將SOMAC聚類分析模型及其并行化策略用于入侵檢測，并通過試驗，驗證了論文每部分研究工作的有效性和可行性。現(xiàn)將論文的主要研究內容概括如下： 1)對論文的理論基礎進行介紹和綜述。主要包括計算智能技術、群體智能技術、聚類技術的介紹以及研究現(xiàn)狀綜述。 2)基于神經(jīng)網(wǎng)絡的聚類分析模型研究。為了克服固定結構SOM網(wǎng)絡進行聚類分析的困難，論文借鑒GSOM網(wǎng)絡訓練算法的

5、思想，提出了DSOM網(wǎng)絡聚類分析模型。DSOM可按需要方便地在任意合適位置生成新結點，所采用的節(jié)點生長函數(shù)也更加簡單實用，使得聚類的執(zhí)行效率明顯提高；DSOM結合了小波聚類的思想，降低了因反復調整學習率和誤差率所花費的時間，又自動去除了特征空間中的噪聲數(shù)據(jù)，提高了聚類結果的精度；在DSOM的基礎上，利用生長因子控制DSOM的網(wǎng)絡生長結構，從而實現(xiàn)了層次化聚類。通過最后的試驗結果及分析，DSOM網(wǎng)絡在生長因子SF控制下，進行聚類分析時，需

6、要的訓練次數(shù)、訓練時間以及產(chǎn)生的冗余節(jié)點都要少于GSOM網(wǎng)絡，而發(fā)現(xiàn)有效聚類的能力以及聚類的精確性要優(yōu)于GSOM網(wǎng)絡，從而驗證了DSOM網(wǎng)絡在進行聚類分析時的有效性。 3)基于群體智能的聚類分析模型研究。群體智能聚類模型存在兩個主要問題，一是蟻群聚類算法的收斂速度慢；另外就是蟻群聚類算法在聚類過程中，有一些被稱作孤立點的對象與其它對象均不相似，螞蟻拾起它們后，很難盡快放下，這不僅影響算法的收斂速度，更影響了最終聚類結果的精確度。

7、為了克服這些缺陷，論文提出了自組織混合蟻群(SOMAC)聚類分析模型。SOMAC簡化了LF聚類模型中的概率轉換函數(shù)，并增加了小波變換階段，從而提高了蟻群聚類算法的收斂速度和聚類精確性。在SOMAC模型的基礎上論文又提出了一種適合于高維聚類分析的框架，并對此框架進行推廣，提出了更具普遍性的高維聚類通用框架。 4)基于計算智能的聚類分析模型并行化研究。并行化是一種有效提高算法執(zhí)行效率和算法可伸縮性的途徑，特別是面對大規(guī)模數(shù)據(jù)分析等計

8、算任務較重的應用。論文在DSOM和SOMAC兩種聚類分析模型的基礎上，結合基于DSOM的聚類分析模型和SOMAC聚類分析模型自身的特征，分別提出了DSOM和SOMAC聚類分析模型的并行化策略，進一步提高了兩種聚類分析模型的執(zhí)行效率和可伸縮性，以滿足大規(guī)模數(shù)據(jù)分析應用的要求。 5)DSOM聚類分析在客戶分類中的應用?？蛻舴诸愂瞧髽I(yè)了解客戶的重要手段。它基于企業(yè)對客戶價值的認知，將客戶劃分為不同的重要類別，并以此制定客戶的差別化服務

9、政策，通過政策的實施將客戶分類的結果作用于企業(yè)實踐。本論文用客戶的RFM(近度、頻度和值度)行為作為對客戶忠誠度、客戶規(guī)模以及客戶信用的模擬衡量，提出了基于DSOM和RFM評價指標的客戶分類算法，同時給出了客戶簇的標識方法以及客戶類型的確定方法。通過模擬運行結果及分析，證明DSOM聚類分析模型與RFM評價指標體系結合可以有效的進行CRM(客戶關系管理)中的客戶分類，分類效果良好。通過生長因子SF的控制，不但可以發(fā)現(xiàn)已經(jīng)定義的客戶分類，而

10、且可以針對企業(yè)感興趣的客戶簇進行更為精細的客戶分類，并且能夠發(fā)現(xiàn)更多客戶類型。 6)SOMAC聚類分析模型在入侵檢測中的應用?；谌肭謾z測系統(tǒng)的復雜自然系統(tǒng)設計原則和異常檢測的思想，論文提出了基于SOMAC聚類分析模型的異常檢測方法。通過試驗，基于SOMAC的異常檢測算法，在漸近學習模型下，可以有效的檢測出各種類型的異常數(shù)據(jù)，同時獲得了較低的誤報率。雖然SOMAC聚類分析模型直接用于入侵數(shù)據(jù)集的異常檢測可以減少建立檢測分類器所需