[发明专利]一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法

摘要

本发明涉及一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法，包括：(1)归一化预处理，得到新样本集X_New；(2)参数初始化：(3)计算到初始聚类中心的距离，计算隶属矩阵U和可能性矩阵T，得到初始适应度值fitness(i)；(4)进入采蜜蜂阶段：(5)进入跟随蜂阶段：(6)进入侦察蜂阶段：(7)得到最终最优聚类中心Vbest，并由Vbest得到对应的隶属矩阵U，并按照c_i＝argmax(u_ij)得到最终聚类。本发明提出的方法具有较好的噪声鲁棒性，在一定程度上较少参数的人为依赖性，引入人工蜂群算法后，算法的全局特性得到提高，避免了参数初始值敏感问题。本发明的可行性和有效性都得提高。

主权项

一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法，其特征在于，包括以下步骤：(1)对样本集X进行归一化预处理，得到新样本集X_New；(2)参数初始化：人工蜂群算法种群数NP，采蜜蜂的数量SN，局部最优限制次数limit，最大迭代次数maxcycle；初始聚类中心V，模糊加权指数m，聚类数c，阈值ε，协方差矩阵σ²，熵系数λ，高斯核函数的宽度参数δ；(3)计算新样本集X_New中的样本到初始聚类中心的距离，并计算对应的隶属矩阵U和可能性矩阵T，得到每只采蜜蜂的初始适应度值fitness(i)；(4)进入采蜜蜂阶段：采蜜蜂进行邻域搜索，产生每只采蜜蜂的适应度值新解fitness(sol)，并更新隶属矩阵U和可能性矩阵T；(5)比较fitness(i)和fitness(sol)，如果fitness(i)<fitness(sol),则fitness(i)＝fitness(sol)，否则，fitness(i)不变；(6)进入跟随蜂阶段：跟随蜂按概率p_i选择跟踪采蜜蜂，并对采蜜蜂进行邻域搜索，产生每个采蜜蜂的适应度值新解fitness(sol1)，并更新隶属矩阵U和可能性矩阵T，比较fitness(i)和fitness(sol1)，如果fitness(i)<fitness(sol1)，则fitness(i)＝fitness(sol1)，否则，fitness(i)不变；(7)进入侦察蜂阶段：判断采蜜蜂转侦察蜂的条件是否满足，如果采蜜蜂的适应度值fitness(i)在limit次迭代中均未发生变化，则认为该采蜜蜂的适应度值fitness(i)为局部最优解，放弃局部最优解，同时该采蜜蜂转变为侦查蜂，按照V_i＝rand(c,s).*(max(X_New)‑min(X_New))+min(X_New)在解空间进行新的搜索；否则，该采蜜蜂不转变；s为新样本集X_New中每个样本元素的维数，max(X_New)为行向量，由新样本集X_New中每列的最大值组成，min(X_New)也为行向量，由新样本集X_New中每列最小值组成，rand(c,s)为由[0,1]构成的c*s矩阵，*表示矩阵之间对应元素相乘；(8)重复步骤(3)至(7)，直到最大迭代次数maxcycle或者满足||Vbest(iter+1)‑Vbest(iter)||<ε；||Vbest(iter+1)‑Vbest(iter)||表示第iter+1次迭代得到最优聚类中心和第iter次迭代得到最优聚类中心的欧式距离；(9)得到最终最优聚类中心Vbest，并由Vbest得到对应的隶属矩阵U，并按照c_i＝argmax(u_ij)得到最终聚类。