【技术实现步骤摘要】
一种基于人工智能半监督聚类目标下的粒子群算法
[0001]本专利技术涉及数据统计
,特别涉及一种基于人工智能半监督聚类目 标下的粒子群算法。
技术介绍
[0002]粒子群算法是通过模拟鸟群中个体之间相互协作的寻优能力,从而形成 的一种群智能优化算法,作为群智能算法的典型代表,粒子群优化算法已被 证明是一种有效的全局优化算法,原理简单、容易实现、参数少等优点,一 经提出就收到许多研究者的关注。母亲,该算法已经被广泛运用于工程优化、 图像处理、数据控制等领域。
[0003]传统粒子群算法优点较为明显,但是随着环境复杂度的增高,传统算法 在使用时,聚类中心敏感度提高,空聚类过多,类标号对聚类结果影响不足 等问题的表现也日趋严重。本文提出了一种改进算法,以半监督K均值聚类为 目标;首先以自适应K值的方式,随机的计算初始化聚类中心,并根据均值聚 类算法的需要编码成粒子,同时引入软性约束概念重新构造目标函数,最后 使用改进后的算法进行寻优。
[0004]本专利技术粒子群算法中,改进了自适应参数,引入了免疫扰动和混沌扰动 两种扰动方式,同时应用了退火策略和动态聚类策略,实验结果表明,该算 法在很大程度上解决了上述问题。
技术实现思路
[0005]在
技术实现思路
部分中引入了一系列简化形式的概念,这将在具体实施方式 部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所 要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要 求保护的技术方案的保护范围。
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,包括:S1、输入数据集合U,并在数据集合U中随机选取K个元素作为聚类中心;S2、更新聚类中心,计算当前K值的自适应量,并与上一次K值的自适应量进行对比,保留自适应量较高的K值;S3、重复执行S1-S2,直至得到最佳的K个聚类中心;S4、根据得到的最佳的K个聚类中心,将粒子进行编码并归一化,然后获取个体最优和全局最优解;S5、将粒子进行动态聚类,获取粒子新的位置,并判断粒子位置是否需要更新;S6、选择粒子并对其进行免疫扰动和混沌扰动处理;S7、计算当前粒子的个体最优解和全局最优解,与上次的个体最优解和全局最优解进行对比,判断是否更新个体最优解和全局最优解;S8、重复S5-S7步,如果当前迭代次数达到预设值,退出算法。2.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,所述S2中,通过以下公式进行更新聚类中心:上述公式中,α代表隶属度控制因子,α>0时,α=0时,不考虑隶属度影响,μ
i,j
代表第i个数据点对第j个聚类中心的隶属度,μ
i,l
代表第i个数据点对第l个聚类中心的隶属度,C
l
代表第l个聚类中心,X
i
代表第i数据点,d
i,l
代表第i个数据点到第l个聚类中心的欧氏距离的倒数,K代表聚类数,N代表数据集合U中数据点的数目,d
i,j
代表第i个数据点到第j个聚类中心的欧氏距离的倒数;其中,所述数据点i对聚类中心j的隶属度计算公式如下:3.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,所述S2中,通过以下公式进行计算当前K值的自适应量:
上述公式中,C
j
代表第j个聚类中心,C
q
代表第q个聚类中心,F代表适应度,K代表聚类数,Fit(K)代表当前K值的自适应量。4.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,所述S3还包括每次重复迭代时K值加1,从K值为2增加到N代表数据集合U中数据点的数目。5.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,所述S4包括:A1、根据得到的最佳的K个聚类中心,将粒子编码为K
×
M维向量,M代表数据点维数,初始化粒子数目记住n,n∈[50,100],并将编码后的粒子进行初始化;A2、根据以下公式获取适应度:上述公式中,N
label
代表带有标签的数据点数量,λ代表自设权重,F代表适应度,μ
a,A
代表第a个聚类中心数据点对第A个聚类中心的隶属度,μ
b,B
代表第b个聚类中心数据点对第B个聚类中心的隶属度,C
a
代表第a个聚类中心,C
b
代表第b个聚类中心,C
j
代表第j个聚类中心,C
q
代表第q个聚类中心;A3,根据适应度获取粒子个体最优而全局最优解。6.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征在于,所述S5中,通过以下公式对粒子进行动态聚类:所述S5中,通过以下公式对粒子进行动态聚类:上述公式中,K、代表阈值为的聚类数,n代表初始化粒子数目,x
i
代表第i个粒子位置,C
l
代表第l个聚类中心,d
il
代表第i个粒子到第l个聚类中心的欧氏距离的倒数,d
ij
代表第i个粒子到第j个聚类中心的欧氏距离的倒数。7.根据权利要求1所述的一种基于人工智能半监督聚类目标下的粒子群算法,其特征
在于,所述S5中,通过以下公式获取粒子新的位置:...
【专利技术属性】
技术研发人员:孙艺,王天棋,姜堃,孙学慧,张长波,
申请(专利权)人:汉唐智华深圳科技发展有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。