文摘

为了使关键决策根据获得的大量数据信息更加方便,空间数据挖掘技术基于遗传算法,结合k - means算法。免疫原理和自适应遗传算法来优化传统的遗传算法,介绍了k - means,门将和IGK算法进行比较和分析。结果表明,在两个不同的数据集,获得的目标函数的k - means算法94.05822和4.10373 ,分别,而目标函数获得的门将和IGK算法89.8619和3.9088 ,分别。三种算法之间的差异也可以反映在数据的迭代次数的比较。k - means所需的迭代次数达到最优的解决方案是8.21和8.4,分别是三个中最算法,虽然IGK所需的迭代次数达到最优的解决方案是5.84和4.9,分别是最少的。尽管k - means所需的时间短,相比之下,IGK算法我们使用可以在相对较短的时间内得到最优解。

1。介绍

空间数据挖掘是数据挖掘和知识发现在空间数据库中。它属于数据挖掘的一个分支。它主要是获得一些空间特性和用户感兴趣的模式,空间数据和非空间数据之间的关系,通用数据数据库中隐藏的特征。然而,有许多差异空间数据挖掘与传统的数据挖掘,也不同于通用事务的数据挖掘。空间数据挖掘规模扩大许多空间维状态空间理论的发现(1]。因为空间数据本身具有复杂多样的特点,其开采技术是非常不同的从传统的数据挖掘技术。这项技术的主要特点如下:空间数据挖掘技术具有丰富的数据来源,大量的数据、复杂的访问方法,以及各种数据类型;空间数据挖掘有着广泛的应用领域,是密切相关的所有数据的空间位置;空间数据挖掘技术的算法和方法是不寻常的,和他们的算法通常是困难和复杂;有很多方法来表达空间数据挖掘技术的知识,主要取决于人们的理解和认知的技术。遗传算法(GA)是一种计算模型,模拟达尔文的生物进化过程的遗传选择和自然淘汰。这是由荷兰j .密歇根大学教授首次提出在1975年。的模拟进化过程中,遗传算法是一个缓慢移动的结构,可以采用各种不同的组合方案。这主要反映在参数编码和遗传操作技术,这是相关(2]。目前,遗传算法的编码技术主要包括一维染色体编码、多参数映射编码、离散化,可变长度染色体编码和二维染色体编码。基因操作技术体现在三个方面:选择概率,交叉概率和变异概率(3]。遗传算法的基本步骤如图所示1。

2。文献综述

数据挖掘分析观察到的数据集(通常是巨大的),为了找到未知的关系以一种新颖的方法和总结数据,数据拥有者可以理解。数据挖掘是如图的价值2。萨哈等人说,从技术角度来看,数据挖掘提取隐藏的是一个过程,不得而知,但从大量的潜在有用的信息和知识不完整,吵闹的、模糊的、随机的实际数据(4]。Fallahpour等人说,从商业的角度来看,数据挖掘是一种新的商业信息处理技术。它的主要特点是提取、转换、分析,和模型的大量业务数据从业务数据库,以提取关键知识,协助业务决策,也就是说,从数据库中找到相关的商业模式(5]。张等人的研究表明,大型数据库的出现,先进的计算机技术、经营和管理的实际需要,和深计算这些数据推动出生的能力,快速发展,广泛应用的数据挖掘6]。Renić等人说,数据挖掘是信息技术的逐渐演变的结果,人们的长期研究的结果和数据库技术的发展7]。Mahbuby等人发现,三种基本技术的发展和成熟,大量的数据收集,强大的多处理器计算机,和数据挖掘算法,数据挖掘技术在商业应用[开始受到广泛关注8]。Balasubramanian Rajendran说,遗传算法是许多矿业技术中最为重要的技术。它可以过滤的信息从大量的数据在数据仓库中,找到可能的市场操作模式,和我的事实,人们不知道9]。许等人说,数据库通常有成千上万的表和属性和数百万元组。千兆级数据库中的数据不再是罕见的,因为万亿级数据库已经出生,取代了千兆级数据库(10]。刘等人通过研究大规模数据库在高维空间不仅使搜索空间更大,也更容易发现错误模式。因此,充分利用相关知识改变尺寸,降低维度,并删除冗余数据,提高数据挖掘算法效率(11]。奥利瓦等人说,提供知识的算法从大量空间数据应该是可测试的和有效的12]。张等人提出,多项式和指数算法没有实用价值,但如果算法变成一个特定模型与有限的数据来获取合适的参数,将相当大的价值13]。

3所示。方法

3.1。编码方案和人口的初始化

首先,如何编码的第一步进化遗传算法的设计。聚类分析的k - means算法,和多维的数据量很大。如果采用二进制编码,数据的搜索空间将大幅增加,这将大大减少计算的效率。因此,本研究采用实际编码(14]。k - means算法的初始化是集群的初始化中心,和我们应该建立适当的集群中心。首先,我们编码集群中心。现在,假设集群中心的坐标d维,K集群,每个染色体的长度染色体是 ,在哪里 随机选择K从n对象为中心的坐标的初始集群每个相应的染色体。我们现在将集群庞大的数据。从理论上讲,如果初始种群的数量比较大,会有很多问题。然而,为了分散的数据元素,我们应该尽可能大的人口数量设置条件下所允许的各种设施(15]。事实上,特定的初始化过程是选择k的N—target分类对象作为一个解决问题的办法和编码成一个染色体。重复这米时候,选择米染色体,获得初始种群,并完成种群初始化(16]。集群的最终目标是,在获得的聚类,类似的对象之间的距离越小,更好的聚类效果。相反,不同的对象之间的距离越大,聚类效果越好。根据这些要求,我们选择以下适应度函数:

从上面的公式,我们可以看到f是负的,什么时候f增加时,判别函数E减少,聚类效果明显改善。相反,当f减少,标准函数E增加,集群效应显然是可怜的。所谓的适应度函数可以反映聚类结果的质量,筛选最优解。确定适应度函数后,考虑到,在进化的早期阶段,如果优秀个体的后代将占整个人口的一大部分,健身值将在进化的后期相对较近。这时,优秀的后代个体的优势并不突出,和整个种群的进化几乎停止时选择操作(17]。鉴于过早收敛的问题(不成熟的)的早期和后期收敛速度慢,我们还需要处理它。现在,我们将遗传算法与模拟退火算法和拉伸模拟退火算法,以便进行适当健身个人可以在一个非常明显的主导地位在整个进化过程中,以确保演化过程的顺利进行。可以看到特定的拉伸方法如下: 在哪里健身的吗我个人,米人口规模,是遗传代数,T是温度,是初始温度。

3.2。选择操作

为了更好地进行选择操作,克服遗传算法的早熟问题,我们采用基于免疫原理的选择操作调整选择概率(18]。免疫优化算法借鉴生物免疫系统的进化机制,结合了传统遗传算法的思想,它可以准确地在一定程度上提高算法的性能。当引入免疫机制来解决这个问题,我们可以先将目标函数和约束条件作为抗原输入,然后生成初始抗体种群,然后计算一系列遗传操作和抗体亲和力,最后找到抗体抗原同时保持抗体的多样性: 在哪里是相同的人的数量在人口和人口的规模。找出米个人最大的人口个体浓度,设置为 ;然后,个体浓度的概率米个人:

浓度概率P,剩余的个人和所有个人的浓度概率的总和是1。如果一个人的健康和个体被选中的概率 ,然后 在哪里 ;通过以上各个浓度的定义,它是更方便的选择最好的个体,提高选择的准确性。可以看出个人的健身越大,被选中的概率越大,加速算法的收敛。它还可以看到个体浓度越大,被选中的概率越小,以保证进化种群中所有个体的多样性,防止过早收敛。参数的交叉概率和变异概率的遗传算法对遗传算法的影响很重要,这将直接影响算法的收敛性。太大或太小交叉概率和变异概率将极大地影响算法的性能。因此,它需要反复实验确定交叉概率和变异概率针对不同的优化问题,以找到最好的交叉概率和变异概率适用于特定的问题(19]。Kalliamvakou等人提出了一种自适应遗传算法。现在,我们可以使用它来解决上面的问题20.]。在自适应算法,它可以动态调整与健康。如果平均人口的健身价值低于健身价值,个人对应于交叉概率较低和变异概率 ,和个人保护进入下一代。相反,如果人口的平均健身价值高于个人的健身价值,个人对应于一个更高的交叉概率和变异概率 ,和个人将被消除。因此,交叉概率和变异概率调整提供最好的交叉概率自适应算法和变异概率相对于一个解决方案,它不仅保持了种群多样性,而且也保证了遗传算法的收敛21]。

3.3。多媒体技术

多媒体的意义是把电视类型视听信息传播能力与计算机的交互控制功能。创建一个新的信息处理模型集文本、图片、声音、图像,使计算机的功能数字,完全动态,和完整的视频广播、编辑和创建多媒体信息,并控制和传输多媒体电子邮件、视频会议和其他视频传输功能的标准化和实用性将使计算机新技术革命的主要话题。的使用和高速传输数字音频和视频数据已经成为一个国家的技术水平和经济实力的象征(22]。世界很大,但也小,这是事实。多媒体技术可以使人们了解天文和地理,历史和文化、高新技术、和当地海关跨越时间和空间。从中央政府到普通民众,他们每天都处理多媒体技术。人民生活水平提高了,这也可以从多媒体的发展。通信、数字视听技术、网络电视、3 g、MP4、里,等,都可以反映人类文明的进步23]。

4所示。结果和分析

交叉概率和变异概率自适应转换根据以下公式: 在哪里人口最大的健身价值,是每一代的人口的平均健身价值,是最低的健身价值的人口,e更大的健身价值的两个个体交叉,然后呢的健身价值是个体变异。 把(0,1)区间的值。如果没有明确的定义 ,我们可以设置初始化值,分析了交叉概率和变异概率 ,并比较在相同条件下的进化代数。交叉概率和变异概率较少的进化代数是更好的24]。同样,为了更好地克服过早的问题,原来的适应性公式是现在有所改善,和交叉概率和变异概率调整根据以下公式: 在参数 , , , ,和是一样的。的值范围 (0,1)可以动态地调整在进化过程中。数据显示了特定的意义,它反映了交叉概率的变化和变异概率与健身如图3和4(25]。

根据上述算法的基本思想、算法的基本流程如图5。

主要分为三个算法测试,这是经典的k - means算法,一般遗传优化k - means算法(门将)和改进的遗传k - means算法(IGK)。测试环境与MATLAB编程和测试在一台普通的电脑上。实验数据采用两个经典的机器学习的数据集(UCI机器学习库)、虹膜和玻璃。上面的数据集是国际公认的典型数据集测试性能的聚类方法(26]。Iris数据集有150个样本信息,每个样本信息包括4个属性,总共3个类别,每个类别有50个样本。玻璃中有214个样本信息数据集,每个样本信息包括9属性,总共6个类别。

一些参数测试的实验设置如下:集群的数量k= 3,迭代的数量t= 100,初始温度= 10。人口规模米= 30,相对应的个体的交叉概率最低的健身价值= 0.7,相对应的个体的交叉概率平均健身价值= 0.85,相对应的个体的交叉概率最大的健身价值= 0.95,相对应的个体变异概率最低的健身价值= 0.05,相对应的个体变异概率平均健身价值= 0.1,相对应的个体变异概率最大的健身价值= 0.15。传统的k - means算法,传统的遗传算法的k - means算法(门将),和改进算法(IGK)在这项研究中用于测试的两个数据集,分别。分别所有的算法运行20次,然后比较和分析算法的性能方面的准则函数值,迭代时间和运行时间。具体的实验结果如图6。Iris数据集,可以看出,这三种算法89.8619终于可以得到最优解,但是在操作的20倍,k - means算法达到最优解只有十倍,及其目标函数陷入局部最小值的其他时候,而其他两种算法可以达到全局最优解每次操作的20倍。玻璃的数据集,可以看出,这三种算法也可以达到最优解,但聚类目标函数陷入局部最小值的4倍20倍的k - means算法。其他操作可以收敛到最优解 每一次。同样的,其他两个算法可以达到最优解(每次27]。

图中可以看出,单位是数百万[28]。因此,我们可以得出这样的结论:门将和IGK收敛速度比k - means算法,和比门将和k - means IGK算法更快。从上面的分析,我们可以看到,IGK算法的收敛速度之间的k - means聚类阶段是最快的三个算法。因此,改进的遗传算法更适合于k - means聚类问题。让我们合成实验结果并比较三种算法的性能从三个方面:目标函数值,迭代时间和运行时间。表1显示了三种算法的平均20聚类的实验结果在两个实验数据集。

5。结论

首先,我们看一下目标函数。在这两组实验中,虹膜数据集和玻璃数据集,k - means算法得到的目标函数是94.05822和4.10373 ,分别是稍微不同的最优解。其他两种算法得到的目标函数是89.8619和3.9088 ,非常准确,达到最优的解决方案。在玻璃的数据集,差距更加明显小于最优解,因为k - means很容易陷入局部最小值。看的迭代次数,玻璃在Iris数据集或数据集,所需的迭代次数达到最优解的k - means是8.21和8.4,分别紧随其后GK算法,6.1和6.58,分别至少是我们的算法的迭代次数(IGK),分别是5.84和4.9。因此,遗传优化的k - means不仅能保证最优解也使k - means收敛很快。最后,比较各算法的运行时间,k - means算法花最少的时间,因为门将和IGK过程中花费了大量的时间寻找初始聚类中心,但这种算法(IGK)相比,所需的时间相对较小的情况下保证全局最优的解决方案。针对数据挖掘的聚类分析技术的经典算法,详细分析了k - means算法,它是由与此相结合的改进遗传算法。同时,它改进了传统遗传算法的缺陷。结合模拟退火算法,免疫机制和自适应算法,遗传算法的过早的问题在一定程度上进行了优化。最后,改进算法(IGK),标准k - means算法和传统遗传算法(门将)进行了比较。通过对实验结果的分析,证明了改进的算法具有更好的聚类效果和性能也是最好的。 Research and introduce more methods to improve genetic algorithms, such as the gradient method, the hill-climbing method, or the heuristic algorithm with problem-related heuristic knowledge. If the ideas of these optimization methods are integrated, a hybrid genetic algorithm with stronger performance will be formed. It is also a means to improve the efficiency and accuracy of the genetic algorithm.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。