论文部分内容阅读
聚类分析算法是一种无监督的学习方法,通过寻找数据对象中隐藏的模式来对数据进行自然的、智能的分组。它根据对聚类原理的分析,本质上是一种优化问题的方法,是数据挖掘一个重要的研究方向。而膜计算是进化计算的一个新的分支,在优化方面有自身不可比拟的优势,具有并行性、分布式的特性,且该特性使其具有超越图灵机的巨大潜力。本文在聚类分析算法以及膜计算研究的基础上,提出将膜计算用于聚类分析的新思想。(1)根据不同标准分类研究聚类分析。基于不同样本数据类型,研究了聚类方法。对比不同方法间的优劣,从而得到较为理想的聚类结果,使其应用过程中,能够及时的调整方法去解决实际问题。最后通过仿真验证了算法的效果。(2)根据膜计算结构、对象以及原则的基本要素对膜计算进行研究。类似于聚类分析,不同的对象会形成不同类型的算法。而规则更为特殊,膜计算的规则是自行定义设置,可以根据系统的动态需求,制定动态的规则,引出更为适合处理数据对象的动态膜计算。(3)将膜计算的优势引入到聚类分析,得到一种更优秀的聚类算法,使膜计算和聚类分析得到更广泛的应用。借鉴MCMO算法,利用膜计算的动态结构对数据对象进行聚类分析,通过对数据对象一次次的运用规则,产生新的膜以得到聚类结果。仿真实验中对MCMO算法代表的膜计算以及K-means算法代表的聚类分析算法性能的测试,本文采用三个测试函数,使其与Pareto最优边界进行比较,由对比的结果来说明运用膜计算进行聚类分析的优势。