[发明专利]一种基于改进人工蜂群的FCM算法优化方法

说明书

本发明请求保护一种基于改进人工蜂群的FCM算法优化方法，涉及工业数据挖掘领域。本发明针对FCM算法存在容易陷入局部极小值，对初始值和噪声数据敏感的缺点，提出了一种基于改进人工蜂群的FCM算法。该算法引入了全局寻优能力强的改进人工蜂群算法来求得最优解作为FCM算法的初始聚类中心，然后利用FCM算法优化初始聚类中心，最后求得全局最优解，从而有效克服了FCM算法的缺点，不仅分类准确率提高了，而且迭代次数更少，收敛速度加快，聚类效果更好，提高了效率，达到了对FCM算法优化的要求。

技术领域

本发明属于数据挖掘领域，尤其涉及一种基于改进人工蜂群的FCM算法优 化方法。

背景技术

随着社会经济的进步，工业生产过程的自动化和智能化程度越来越高。自 动化程度的不断加深使企业积累和存储了越来越多的过程历史数据。一方面， 随着企业对自身要求的不断提高，这些丰富的数据资源成为可以利用的资源； 另一方面，工业过程的生产实践和科学研究又以大量的数据为基础，需要通过 一定的方法和手段进行分析、处理，已完成工业过程的在线监控、过程辨识、 故障诊断和控制策略的设计等工作。因此，数据挖掘作为一种从大量工业数据 中提取有用信息的技术手段，受到越来越多的关注。

聚类(Clustering)分析是数据挖掘技术中最常用的方法之一，它能从海量数据中发现新的、潜在的、有意义的数据分布模式。目前，受到普遍欢迎的是基于 目标函数的聚类方法，该方法是将数据点到原型的某种距离作为优化的目标函 数，利用求极值的方法得到迭代运算的调整规则。因此这种方法把聚类分析归 结成一个带有约束的非线性规划问题，通过优化求解获得数据集的最优模糊划 分和聚类。其中模糊C-均值聚类(FCM)算法虽然已被应用于模式识别、图像 处理以及计算机视觉等众多领域中，但仍然存在一些缺陷。人工蜂群算法是一 种模拟蜜蜂群智能搜索行为的群智能优化算法。由于其控制参数少、易于实现、 计算简洁等优点，已被越来越多的学者所关注。本发明针对FCM算法存在容易 陷入局部极小值，对初始值和噪声数据敏感的缺点，提出了一种基于改进的人 工蜂群的FCM算法。该算法引入了全局寻优能力强的改进人工蜂群算法来求得 最优解作为FCM算法的初始聚类中心，在原有的人工蜂群算法基础上引入高斯 变异侦查策略对侦查蜂侦查策略进行改进，加快收敛速度，提高解的精度。然 后利用FCM算法优化初始聚类中心，最后求得全局最优解，从而有效克服了FCM算法的缺点，不仅分类准确率提高了，而且迭代次数更少，收敛速度加快， 聚类效果更好，提高了效率，达到了对FCM算法优化的效果。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高了分类准确率，而且 迭代次数更少，收敛速度加快，聚类效果更好，提高了效率的基于改进人工蜂 群的FCM算法优化方法。本发明的技术方案如下：

一种基于改进人工蜂群的FCM算法优化方法，其包括以下步骤：

1)获取聚类数目c、模糊指数m和数据集，并获得模糊C均值聚类FCM算法 目标函数；

2)定义一个用于人工蜂群算法的个体适应度函数，即个体适应度函数对于 人工蜂群中每个解的评价；给出聚类问题与蜂群算法采蜜行为的对应关系；

3)对人工蜂群算法进行改进，在侦查蜂阶段引入高斯变异侦查策略，求得 最优解；

4)将该最优解作为模糊C均值聚类FCM算法的初始聚类中心，再利用模糊C 均值聚类FCM算法优化初始聚类中心，最后求得最优解。

进一步的，所述步骤1)中获得模糊C均值聚类FCM算法目标函数，具体包 括：