關(guān)珊珊　管強(qiáng)　劉艷

（青島大學(xué)附屬醫(yī)院，山東青島　266000）

基于權(quán)重優(yōu)化復(fù)合聚類的空調(diào)控制研究

關(guān)珊珊管強(qiáng)*劉艷

（青島大學(xué)附屬醫(yī)院，山東青島266000）

為解決央空調(diào)控制過程中控制參數(shù)復(fù)雜，變量維數(shù)較高，多屬性數(shù)據(jù)點(diǎn)集中包含數(shù)值型屬性、類別屬性和混合型等多屬性結(jié)構(gòu)的問題，本文針對工業(yè)環(huán)境下多屬性和多變量的特點(diǎn)，將模糊聚類算法與屬性加權(quán)優(yōu)化相結(jié)合，進(jìn)而推導(dǎo)出優(yōu)化迭代公式并形成加權(quán)聚類算法，對于具體變量的相關(guān)屬性進(jìn)行數(shù)學(xué)描述。仿真結(jié)果表明，該算法可以很好的處理相關(guān)多屬性約束條件下的變量聚類，結(jié)合模糊關(guān)系優(yōu)化混合屬性集的特征權(quán)重。和傳統(tǒng)算法相比，具有良好的正確率和分類邊界處理效果。

聚類屬性權(quán)值迭代可變加權(quán)

1　引言

在進(jìn)行數(shù)據(jù)挖掘分析時，對屬性權(quán)值進(jìn)行優(yōu)化一直是十分重要的。常見的分析方法有過濾法［1］和包裝法［2］，前者根據(jù)一個可解析的函數(shù)子集分類判別函數(shù)尋求可行特征子集或最優(yōu)特征子集，后者將分類算法的分類正確率作為目標(biāo)子集的選擇判斷依據(jù)。

Matlin Sam uel［3］將特征選擇方法集成到分類和聚類算法中，提出了一個框架型結(jié)構(gòu)的方法，但對于具體分類準(zhǔn)則沒有界定；Xin Quan［4］對鄰域算法中的特例賦一定的權(quán)值以區(qū)分重要性，以使所構(gòu)造的分類器分類效果更佳，但針對復(fù)雜環(huán)境下的多屬性變量沒有進(jìn)行分析論述。

2　屬性權(quán)值優(yōu)化的模糊C均值聚類算法研究

2.1屬性權(quán)值的自適應(yīng)配置描述

設(shè)多屬性的m維空間R的某個區(qū)域內(nèi)存在可構(gòu)造C個聚類的數(shù)據(jù)集S=｛X1,X2,...,Xn｝，其中Xi=｛xi1,xi2,...,xim｝∈R（i=1,2,...,n）描述第i個數(shù)據(jù)點(diǎn)在樣本空間中的位置。定義一個帶權(quán)值的"聚類"度量范數(shù)，表征某單一屬性對聚類子集的不同反映和數(shù)據(jù)之間的差異性。即：

其中dk（xik,xjk）由第k個屬性類型決定。若其為無序類別屬性，定義為：

2.2基于屬性權(quán)值優(yōu)化的FCM聚類算法研究分析

［5］和［6］，定義一個含有模糊隸屬度的模糊準(zhǔn)則復(fù)合目標(biāo)函數(shù)：

從而復(fù)合目標(biāo)函數(shù)為

可以看出，復(fù)合目標(biāo)函數(shù)含有三個變量參數(shù)，下面分別對這三個變量進(jìn)行相關(guān)優(yōu)化計算。

2.2.1優(yōu)化權(quán)值因子

定義上述附加約束條件的優(yōu)化目標(biāo)拉格朗日函數(shù)為

取其偏導(dǎo)數(shù)為0，可得

從而

2.2.2優(yōu)化隸屬度因子

定義帶上述約束條件的拉格朗日函數(shù)為：

令函數(shù)對各變量的偏導(dǎo)數(shù)為0，得到：

進(jìn)而得到：

從而：

2.2.3優(yōu)化聚類中心

當(dāng)屬性是有序?qū)傩詴r，將目標(biāo)函數(shù)改寫為

令目標(biāo)函數(shù)對各變量的偏導(dǎo)數(shù)為0，得到：

從而得到：

3　變精度權(quán)值修改復(fù)合模糊C中心聚類算法

條件：對于有序?qū)傩赃M(jìn)行合理歸一化的數(shù)據(jù)集S=｛X1,X2,...,Xn｝和聚類子集個數(shù)c，初始化上述目標(biāo)函數(shù)的特征權(quán)重向量W=（1,...,1,...,1）T（無先驗知識）或者W=（w1,w2,...,wm）T（有先驗知識），得到初始相異性度量d=（.,.）。

結(jié)果：數(shù)據(jù)點(diǎn)集S=｛X1,X2,...,Xn｝的最終聚類結(jié)果S=C1∪...∪CK，最終的聚類中心點(diǎn)集V（0）=｛V（0）1,V2（0）,...,Vk（0）｝和最終的相異性度量d=（.,.）。

算法分析步驟：

Step1

初始化選取復(fù)合屬性數(shù)據(jù)點(diǎn)集S=｛X1,X2,...,Xn｝的c個中心點(diǎn)構(gòu)成初始的聚類中心集V=｛V1,V2,...,Vc｝，迭代次數(shù)t=0，隸屬度度量r設(shè)為2，特征權(quán)重度量q設(shè)為2，迭代終止參數(shù)設(shè)為ε。

Step2

Step3

對于有序?qū)傩?，聚類中心點(diǎn)更新公式為：

圖1　變量重要性分析結(jié)果

此時的時間復(fù)雜度為O（nmC）。

對于無序類別屬性，對數(shù)據(jù)子集中的所有取值進(jìn)行全域?qū)?yōu)，將當(dāng)前聚類中心點(diǎn)選擇為可使復(fù)合目標(biāo)函數(shù)的最小化函數(shù)部分取得最小值時的極值，即

Step4

隸屬度更新公式為

其中，i=1,2,...,n ，j=1,2,...,C 。這一步的時間復(fù)雜度為O（nmC2）。

Step5

令t=t+1，使用下式更新屬性權(quán)值向量W=（w1,w2,...,wm）T。

其中，k= 1,2,...,m 。

這一步的時間復(fù)雜度為O（nm2C）。

Step6

4　仿真實(shí)證分析

4.1數(shù)據(jù)初始化

空調(diào)系統(tǒng)的精度取決于空調(diào)系統(tǒng)本身及自動控制兩個方面。空調(diào)統(tǒng)本身主要是冷、熱總量要能保證系統(tǒng)的要求，多采用集散控制裝置。中央空調(diào)集控裝置是用于監(jiān)視和控制中央空調(diào)設(shè)備及其周邊設(shè)備，如主機(jī)、空調(diào)箱、水泵、冷卻塔，各種控制閥門等設(shè)備和零件的可視化智能控制器。

表1　聚類輸入變量

本文針對主要參數(shù)對輸入變量應(yīng)用SPSS數(shù)據(jù)分析軟件，進(jìn)行神經(jīng)網(wǎng)絡(luò)和灰色關(guān)聯(lián)度算法分析，挑選重要性高的變量進(jìn)行聚類，圖1是應(yīng)用算法進(jìn)行重要性分析的結(jié)果。

最終得到如下輸入變量：（表1）

4.2仿真結(jié)果對比

通過傳統(tǒng)FCM聚類算法和基于屬性權(quán)值調(diào)整的聚類算法在正確率和迭代時間上的對比可以看出，新算法在迭代終止時間和聚類正確率方面具有相當(dāng)?shù)膬?yōu)勢。

三維空間聚類結(jié)果對比可以看出，由于新算法充分考慮了聚類子集數(shù)據(jù)在空間上的分布情況，良好的改善了聚類邊界的混疊問題。

5　結(jié)語

中央空調(diào)控制的過程具有大滯后、強(qiáng)耦合、評價指標(biāo)多等特點(diǎn)，控制過程往往較為復(fù)雜。

本文將模糊C均值聚類算法和屬性權(quán)值優(yōu)化相結(jié)合，給出了相應(yīng)參數(shù)的更新公式和相關(guān)算法流程，并應(yīng)用生產(chǎn)中的實(shí)際數(shù)據(jù)進(jìn)行方針對比，證明本方法的正確性和優(yōu)越性。

文中算法考慮了控制過程中的高維度多屬性數(shù)據(jù)點(diǎn)集進(jìn)行聚類分析時屬性權(quán)值對聚類結(jié)果的影響。通過仿真分析，看出新算法在迭代正確率和處理邊界混疊方面具有一定的優(yōu)勢。

［1］Koleszar G E.A Description of the Weapon Optimization and Resource Requirements Model［R］INSTITUTE FOR DEFENSE ANALYSES：Report IDA D-2360，2009.

［2］Pawlak Z.et al.Rough stes［J］.Communications ofACM，2010，38（11）：89-95.

［3］Matlin Samuel.Review of the Literature on the Missile Allocation Problem［J］.Operations Research.2010，18（3）：334-373.

［4］XIN-QUAN CHEN，HONG PENG，JING-SONG HU.An adaptive optimization method of configuring feature weight group.Proceedings of the Fifth International Conference on Machine Learning and Cybernetics，Dalian，13-16August2006.pp1281-1286.

［5］Huan Liu and Lei Yu.Toward Integrating Feature Selection Algorithms for Classification and Clustering［J］.IEEE Transaction on knowledge and data engineering，Vol.17，No.4，April2005. pp491-502.

［6］宇文，劉宏，查紅彬.基于特征選擇分組加權(quán)聚類的表情識別［J］.計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2005，17（11）：2394～2401.

［7］江艷君，李檸，黃道.修正初始權(quán)值的BP網(wǎng)絡(luò)在CSTR故障診斷中的應(yīng)用［J］.華南理工大學(xué)學(xué)報，2004，30（2）：207-210.

關(guān)珊珊（1985—），女，滿族，吉林琿春人，工程師，碩士研究生，醫(yī)療儀器設(shè)備驗收、巡檢、維修維護(hù)。

管強(qiáng)（1983—），男，本科，工程師，從事醫(yī)院暖通空調(diào)系統(tǒng)設(shè)備管理工作。