[发明专利]用于大数据挖掘聚类的自适应PSO-PFCM聚类方法

权利要求书

1.用于大数据挖掘聚类的自适应PSO-PFCM聚类方法，其特征在于，包括以下步骤：

S1、对数据集进行初始化处理，将数据集划分成由若干个体组成的群体；并确定群体中的个体初始最优位置；

S2、通过PFCM算法对个体初始最优位置进行更新，得到群体聚类中心；

S3、根据群体聚类中心进行聚类，确定当前最优聚类结果对应的目标聚类数目；

S4、计算当前最优聚类结果对应的模块密度，并更新最大模块密度；

S5、确定更新后的最大模块密度对应的最优聚类结果，并更新目标聚类数目；

S6、判断更新后的目标聚类数目是否小于1；

若是，则将该目标聚类数目对应的最优聚类结果作为大数据挖掘聚类过程中的聚类结果；

若否，则返回步骤S1。

2.根据权利要求1所述的用于大数据挖掘聚类的自适应PSO-PFCM聚类方法，其特征在于，所述步骤S1具体为：

S11、对数据集中的数据样本进行编码，并将编码后的数据样本随机分成若干类；

S12、重复执行步骤S1 N次，产生N个初始候选解，构成初始群体；

其中，每个初始候选解表示群体中的个体初始最优位置p_id(0)。

3.根据权利要求2所述的用于大数据挖掘聚类的自适应PSO-PFCM聚类方法，其特征在于，所述步骤S2具体为：

S21、通过PFCM算法对当前个体最优位置p_id(t)进行处理，更新模糊划分矩阵、用户参数、可能性划分矩阵和个体最优位置；

其中，第一次通过PFCM算法对当前个体最优位置p_id(t)进行处理时的当前个体最优位置p_id(t)为个体初始最优位置p_id(0)；

S22、根据更新后的模糊划分矩阵U^t+1、用户参数γ_i和可能性划分矩阵T^t+1确定并更新适应度函数f₀(x)；

其中，第一次更新前的适应度函数f₀(x)中的模糊划分矩阵U^t+1、用户参数γ_i和可能性划分矩阵T^t+1均为随机设置；

S23、将更新后的个体最优位置p_id(t+1)代入到更新后的适应度函数f(x)中，得到使适应度函数f(x)值最大的解，即为更新后的群体的最优位置p_gd(t+1)；

S24、重复步骤S21-步骤S23，并判断迭代次数是否达到设定的迭代阈值t_end或当前群体的最优位置p_gd(t+1)是否为全局最优解；

若是，则进入步骤S25；

若否，则进入步骤S26；

S25、得到当前群体的最优位置p_gd(t+1)即为当前群体聚类中心，并进入步骤S3；

S26、对当前最优个体位置依次进行粒子速度和粒子位置的更新并返回步骤S21。