[发明专利]一种面向产品绿色设计的知识协同聚类方法

权利要求书

1.一种面向产品绿色设计的知识协同聚类方法，其特征在于：包括以下步骤；

步骤一、将产品绿色设计过程中所需要的知识约束在功能和属性两个方面，建立特征约束的知识模型，对知识的研究范围做了限定；

步骤二、对不同知识做数据类型的区分，基于相似度计算考量，分别选择了相应的距离计算公式；

步骤三、针对新的设计需求，首先，结合语义树对不同功能特征进行一层检索聚类，得到其一层功能相似度(Function Relevance，FR)，根据FR从样本库中检索出一定量的样本；

语义树(Semantic tree，ST)是对文本进行分析识别，选取特征词以及它们的同义、同级或者有隶属关系的特征词通过树状形式表现出来，衡量语义树的属性主要有语义树高度、语义元路径、语义元高速和语义元深度，当输入设计需求从样本库中检索功能知识时，FR是一个关键因素，根据对语义树的分析，当两个语义元之间的深度d(s)的差异很小时，其关联程度就很高，当某些功能特征处于同层或者邻近层时可通过语义元之间的相似度来判定这些功能特征是否被同等需要，这里采用深度差的倒数来衡量两个语义元素的相关性，如下式所示：

式中，R_f为两个语义元之间的关联程度，d_i(s)和d_j(s)为两个语义元素；

步骤四、使用更深层次的第二层属性筛选聚类进行可行聚类方案的决策，使用更深层次的第二层属性筛选聚类进行可行聚类方案的决策时，特征约束的特点是约束变量的数据类型并不是统一的，数据类型分为语义型、数值型、模糊区间型和数组型四类，特征约束中出现的类型包含其中的几种至全部类型因此，在计算样本相似度时，需要首先考虑到特征之间的距离关系，则必须要面对不同数据类型的影响；

步骤五、通过对具有不同数据类型的属性间的距离进行计算，引入协同算子，结合不同距离公式和改进的经典模糊C均值(Fuzzy C-means，FCM)算法对协同相似度(Collaborative Relevance，CR)进行计算,实现分层迭代的协同聚类效果和离散知识的集中化处理；

所述步骤五中经典模糊C均值聚类算法采用如下公式计算；

上述，公式(1)为FCM目标函数定义公式，其中，‖x_j-c_i‖表示样本x_j到类中心c_i的距离，c_i为聚类中心，x_j为数据样本，u_ij为隶属度，m为隶属度因子，J为目标函数，公式(2)为约束条件公式，公式(3)为隶属度u_ij计算公式，公式(4)为聚类中心迭代公式；

在算法开设运行时，随机给u_ij或者c_i其中一个赋值，只要赋值满条件即可，然后通过反复迭代，目标函数J逐渐趋于稳定值，最终得到满足需求的解，不同的功能特征包含N个属性特征，这N个属性特征由于具有不同的数据类型，每类属性特征串联起来，构成了特征约束的知识模型中的功能特征，其中，协同聚类要做的工作，就是在把功能特征分割成n个模糊类的前提下，生成每组功能特征的聚类子样本，然后通过子样本之间协同合作，引入协同算子对不同特征进行适量的强化或者弱化，生成特征约束的整体聚类样本；

令Ui为隶属度矩阵，U_i＝{u_ij∈[0,1]}，p_i为一层功能聚类后的样本，CO[i,j]是协同算子，d_ij(i＝1,2,…,n；j＝1,2,..,p)为距离函数，应用经典FCM聚类函数中的目标函数形式，并对其进行改进，加入协同算子后，得到如下具有协同效果的改进目标函数J_i；

参考经典FCM算法中的迭代方式，引入拉格朗日乘子λ，将协同问题转化为非约束优化问题，得到：

根据目标函数最小化必要条件：

得到隶属度矩阵元素迭代公式：

在确定好主要参数迭代方式后，得出协同聚类算法。