[发明专利]面向大数据领域的膜计算数据细胞聚类方法

说明书

一种面向大数据领域的膜计算数据细胞聚类方法，通过基于密度的k‑means算法，对数据进行预处理，克服人为预定数据簇的个数的缺陷，并且得到了相对合理的数据簇划分，同时混合进化机制采用基于层次划分Agnes算法、基于遗传算法(GA)、基于加权模糊聚类(FCM)算法作为进化规则，结合膜计算能有效的结合这三种聚类算法的优点，得到更好的聚类结果。

技术领域

本发明涉及膜计算的应用，尤其是膜计算在数据聚类方面的应用。

背景技术

膜计算是Gheorghe于2000年正式提出的一种新颖的分布式并行计算 理论模型，主要是从生命细胞的结构功能和细胞、组织等细胞集群的协作中抽象 定义得出的计算模型，通常这类计算模型也被称为P系统。P系统可以通过细胞 中对象的进化实现信息的并行计算处理。此外，基于细胞生物学的多样化，人们 通过P系统不同的机制产生了众多变体，从而为处理问题提供更广阔新颖的思路， 例如机器人、图像处理、信号处理、故障诊断、生态学和系统生物学。组织P系 统是膜计算系统的主要类型之一，它抽象在一个公共环境中指导其内多个组织单 膜细胞的进化行为，每一个单膜细胞可以看作是一个具有特异性的信息处理器， 系统中的对象处理主要有进化和转运两种行为，进化由不同细胞内的进化规则指 导完成，而转运则是通过系统定义的转运规则进行。

聚类分析是数据挖掘中的一个核心问题。在很多场合中所获取的数据仅有输 入而没有对应的输出，所以这些数据是未标记的或无监督的。数据聚类是用于处 理这种数据的无监督学习过程，它依据某个相似性度量将对象进行分组，使得同 组中的样本是相似的且不同组的样本是不相似的。聚类方法能够大体上分为3 类：层次方法、划分方法和重叠方法：层次聚类通过连续合并较小的簇为较大的 簇或者分裂较大的簇来实现数据聚类，层次聚类包括凝聚和分裂两种子类型；划 分方法依据某个准则将数据集分解为几个不相交的簇；而重叠方法则以某种方式 放宽相互不重叠的约束实现软的或模糊划分。数据聚类已成功地应用于诸多领域， 如数据挖掘、机器学习、图像处理和生物学等.

彭宏等人引入膜计算理论来处理数据聚类的问题，他们提出了一个特殊的全 连通结构类组织P系统，该系统主要由3个组织细胞构成，其中组织细胞内部包 含了若干个数据细胞，每个数据细胞都代表一个对象，并且这个对象表达一组候 选的数据簇中心，除此之外，该P系统引入3种不同的进化机制来指导数据细胞 对象进化，进化机制对应不同的数据聚类方法，分别在3个数据细胞中采用了基 于遗传算法(GA)，基于粒子群算法(PSO)，差分进化算法作为进化规则。但他 们提出的膜聚类算法存在一定限制，需要预先指定簇个数。

Bai等将扩展的脉冲神经P系统引入到了层次聚类中。Zhao等构建了基于活 性膜P系统的改进ROCK算法，借助于P系统的极大并行性，极大地降低了改进 之后的聚类算法的时间复杂度。Xue等提出了一种基于网格的带有交流规则的 新型P系统，称为格上交流P系统(communication P system on lattice，简称 LTC-P)。将该系统与基于密度的聚类，基于分层的聚类以及基于划分的聚类进 行结合，用于求解聚类问题。聚类过程在膜中实现，聚类结果通过膜输出。

发明内容

为了解决数据聚类问题，本发明基于组织P系统，利用密度k-means算法进 行数据预处理，得到相对合适的数据簇划分和簇中心，在数据细胞中分别采用基 于层次划分Agnes算法、基于遗传算法(GA)、基于加权模糊聚类(FCM)算法 作为进化规则，提出一种面向大数据领域的膜计算数据细胞聚类方法。

为了解决上述技术问题本发明提供如下的技术方案：

一种面向大数据领域的膜计算数据细胞聚类方法，所述聚类方法包括以下步 骤：

第一步、形式化定义

1.1、组织P系统(P System)定义：

一个度为3的即3个由数据细胞组织P系统可以形式化定义为以下八元组：