龔 靜，劉現(xiàn)芳

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽(yáng) 421005）

云計(jì)算背景下，信息技術(shù)獲取的數(shù)據(jù)信息呈現(xiàn)出海量爆發(fā)狀態(tài)，人們所生產(chǎn)和運(yùn)用的數(shù)據(jù)增多，類(lèi)型也越來(lái)越復(fù)雜，采用數(shù)據(jù)挖掘技術(shù)從海量數(shù)據(jù)信息中挖掘出有價(jià)值的數(shù)據(jù)，成為人們?cè)跀?shù)據(jù)方面的研究熱點(diǎn)。聚類(lèi)分析是大數(shù)據(jù)挖掘技術(shù)中的重要組成內(nèi)容，將各類(lèi)相同特征的數(shù)據(jù)進(jìn)行分類(lèi)，是大數(shù)據(jù)挖掘算法中的核心內(nèi)容之一。但是，在傳統(tǒng)的聚類(lèi)分析中，模糊均值算法和K 均值算法都需要采用多次數(shù)據(jù)迭代的方式進(jìn)行數(shù)據(jù)挖掘，該種數(shù)據(jù)運(yùn)行方式不僅使數(shù)據(jù)挖掘效率受到限制，數(shù)據(jù)挖掘的質(zhì)量也因此受到負(fù)面影響。云計(jì)算背景下，人們?cè)O(shè)計(jì)出群智能算法，并以該算法為前提展開(kāi)數(shù)據(jù)聚類(lèi)挖掘。當(dāng)今時(shí)代，網(wǎng)絡(luò)數(shù)據(jù)龐大，人們需要有選擇的處理數(shù)據(jù)信息，云計(jì)算的方式可以將多項(xiàng)數(shù)據(jù)協(xié)調(diào)在一起，打破用戶在空間和時(shí)間方面的數(shù)據(jù)應(yīng)用限制，獲取無(wú)限數(shù)據(jù)資源，使用的大數(shù)據(jù)挖掘技術(shù)也更加靈活。

1 聚類(lèi)分析概述

作為信息挖掘的一項(xiàng)主要研究方向，聚類(lèi)分析日益受到人們的關(guān)注。聚類(lèi)的輸入通常是一個(gè)沒(méi)有分類(lèi)標(biāo)識(shí)的數(shù)據(jù)，人們事先可能知道這種數(shù)據(jù)聚成幾個(gè)簇，也可能不知道聚成幾個(gè)簇。通過(guò)分析這種數(shù)據(jù)，可以按照相應(yīng)的聚類(lèi)規(guī)則，合理分配記錄集，從而使相同的記錄被分配到一個(gè)簇中，不同的數(shù)據(jù)分配到不同的簇中[1]。

聚類(lèi)分析算法問(wèn)題一直是研究人類(lèi)活動(dòng)的一項(xiàng)非常重要的內(nèi)容。人們?cè)缭谶h(yuǎn)古時(shí)代就形成了對(duì)事物做出分類(lèi)識(shí)別的思想，“物以類(lèi)聚，人以群分”就是對(duì)這一思想的形象表述。一個(gè)人早在孩童時(shí)代，就利用不斷完善潛意識(shí)中的分類(lèi)模型，來(lái)學(xué)習(xí)辨別不同的物種。隨著人們對(duì)自然界和社會(huì)認(rèn)識(shí)地不斷深入，要處理的數(shù)據(jù)也出現(xiàn)了如下發(fā)展趨勢(shì)：人類(lèi)規(guī)模愈來(lái)愈大，彼此關(guān)聯(lián)愈來(lái)愈復(fù)雜，分類(lèi)也愈來(lái)愈精細(xì)，對(duì)提出的問(wèn)題需求也愈來(lái)愈高[2]。這時(shí)單純依靠定性分析法，是無(wú)法滿足要求的。為克服這種困難，人類(lèi)首先引進(jìn)了數(shù)理教育這種得力的教學(xué)工具，并在此基礎(chǔ)上進(jìn)一步發(fā)展產(chǎn)生了數(shù)據(jù)分類(lèi)學(xué)（Numerical Taxonomy），對(duì)分類(lèi)對(duì)象進(jìn)行定性的研究。而經(jīng)過(guò)定性的研究后，在分類(lèi)的過(guò)程中不再只是憑借經(jīng)驗(yàn)和知識(shí)，還得借助于對(duì)數(shù)據(jù)本身的分析方法對(duì)數(shù)據(jù)對(duì)象加以分類(lèi)。數(shù)據(jù)分類(lèi)方法不但能夠運(yùn)用于分類(lèi)領(lǐng)域，還能夠用于聚類(lèi)領(lǐng)域，也因此產(chǎn)生了基于數(shù)值分析的聚類(lèi)分析[3]。

電腦的廣泛應(yīng)用已深入到人們生活的方方面面，存儲(chǔ)商業(yè)貿(mào)易記錄、管理企業(yè)工作、監(jiān)視生產(chǎn)操作、提供娛樂(lè)工具和消息交換等。由于互聯(lián)網(wǎng)的出現(xiàn)，人們也步入網(wǎng)絡(luò)信息社區(qū)，大量的數(shù)據(jù)信息被存儲(chǔ)下來(lái)，但如果人們對(duì)數(shù)據(jù)信息聚類(lèi)處理的方法還是通過(guò)人工，則無(wú)法實(shí)現(xiàn)。這也導(dǎo)致利用計(jì)算機(jī)進(jìn)行數(shù)據(jù)信息聚類(lèi)分析的新技術(shù)的誕生與發(fā)展。

聚類(lèi)分析算法盡管已被應(yīng)用在很多領(lǐng)域中，但是都存在著這樣或是那樣的缺點(diǎn)。這種不足總體來(lái)說(shuō)主要有如下4 個(gè)方面。

一是對(duì)初始化參數(shù)敏感，最后結(jié)論往往強(qiáng)烈地取決于初始化工作參量。在這種算法的初始化輸入中，不僅要求聚類(lèi)的數(shù)據(jù)，還需要為用戶輸入一些相應(yīng)的工作參數(shù)，而這種參量所確定的高低也影響著聚類(lèi)結(jié)論的高低。對(duì)于普通用戶來(lái)講，參數(shù)的選取具有一定的難度[4]。

二是難以得到最佳聚類(lèi)。一組含有n 個(gè)數(shù)據(jù)群的數(shù)據(jù)集合，如果假設(shè)將其聚成k 個(gè)群，就具有k"種可能，但目前還缺乏一項(xiàng)能從k" 種聚類(lèi)中找到最佳聚類(lèi)的計(jì)算。因?yàn)楝F(xiàn)在的計(jì)算通常是利用某個(gè)引導(dǎo)算子，完成某種在全部空間上的不完整查找，而且利用這種引導(dǎo)算子常常會(huì)陷入局部最優(yōu)解。

三是聚類(lèi)的效率問(wèn)題。為了用好無(wú)導(dǎo)師學(xué)習(xí)方法，如果并不了解大數(shù)據(jù)分析或集中信息的分布狀況，就會(huì)產(chǎn)生聚類(lèi)分析法結(jié)論的有效性問(wèn)題，即在所得出的聚類(lèi)分析法結(jié)論中類(lèi)別的數(shù)量是不是合理？在眾多的聚類(lèi)算法中哪一種得出的結(jié)論更合理？又或者在一個(gè)聚類(lèi)算法中，哪個(gè)參數(shù)所得出的聚類(lèi)分析法結(jié)論更合理？這都是無(wú)從判斷的[5]。

四是對(duì)噪聲信息的高敏感性?，F(xiàn)在許多聚類(lèi)算法都對(duì)噪聲數(shù)據(jù)非常靈敏，而噪聲數(shù)據(jù)的出現(xiàn)也影響著這種計(jì)算的應(yīng)用范圍。

2 模糊C-均值聚類(lèi)算法概述

模糊C-均值聚類(lèi)算法所遵從的算法思想為硬聚類(lèi)思想，數(shù)據(jù)集利用來(lái)表示，而表示第j 個(gè)數(shù)據(jù)樣本的s 個(gè)特征向量，x 表示第j 個(gè)數(shù)據(jù)樣本在維度k上的特征值。將數(shù)據(jù)集X 進(jìn)行分組，形成C 個(gè)子集，可利用Y={X1，X2，…，Xc}，C∈[2，n]。如果Y 符合式（1）的要求，那么，Y 可以被視為硬C 分組。

假設(shè)樣本xj屬于子集xi的隸屬度為uij，那么可以用隸屬矩陣U=[uij]C×n來(lái)表示硬C 分組，其中uij?{0，1}。因此，數(shù)據(jù)集X 的硬C 分組可以用公式（2）來(lái)表示。

因此，模糊C 分組可以用式（3）來(lái)表示。

對(duì)于數(shù)據(jù)集X={x1，x2，…，xk，…，xn}?Rs來(lái)說(shuō)，n是數(shù)據(jù)集X 中元素的數(shù)量，s 是樣本x 中屬性值的個(gè)數(shù)。c 個(gè)聚類(lèi)中心組成1 個(gè)矩陣V=[v1v2… vi… vc]s×c，其中vi={vi1，vi2，…，vis}為第i 個(gè)聚類(lèi)中心的元素，c 為聚類(lèi)的類(lèi)別數(shù)，則模數(shù)C-均值聚類(lèi)算法的目標(biāo)函數(shù)公式為

3 混合蛙跳算法概述

混合蛙跳算法針對(duì)蛙在巖石上覓食時(shí)的種群分布變化所給出的計(jì)算。算法于2003 年提出，時(shí)間雖然不短，但相關(guān)的論文不多，仍有較大的研究和改進(jìn)空間。

混合蛙跳算法中，每一只青蛙的定位都代表著一種可能解。如果青蛙們所在的水池上有數(shù)塊石頭，在一代，青蛙們都將被分配在石頭上。在這一代中，只有石頭上位置比較糟糕的青蛙能跳躍。這些青蛙首先是向著在同一個(gè)石頭上的最優(yōu)預(yù)測(cè)方位的青蛙方向跳躍，若新的方位仍比原方位差則向其全局最優(yōu)方位跳躍，若新的仍比原方位差則在解空間里隨機(jī)跳躍一次[6]?？梢钥闯雒恐惶鴦?dòng)青蛙在每代中至少跳動(dòng)1 次，至多跳動(dòng)3 次，但由于每次跳動(dòng)的青蛙數(shù)量等于石塊數(shù)，故當(dāng)石塊數(shù)、青蛙數(shù)/3時(shí)，每代總跳動(dòng)次數(shù)小于青蛙總數(shù)。

4 群體智能算法的融合

如上所述，模糊C-均值聚類(lèi)計(jì)算可以通過(guò)將目標(biāo)函數(shù)進(jìn)一步優(yōu)化到最小的方式來(lái)解決。不過(guò)，這種方式容易使最后解落入局部極小值點(diǎn)附近，且收斂速度慢。身為一個(gè)群體智能算法，混和蛙跳具備著較強(qiáng)的全局搜索特征。為此，將混合蛙跳算法與模糊的C-均值聚類(lèi)算法加以組合，來(lái)改善聚集效率并進(jìn)一步優(yōu)化精度[7]?；旌贤芴哪：鼵-均值聚類(lèi)計(jì)算過(guò)程包括以下5 個(gè)步驟。

步驟1：初始化。初始化青蛙類(lèi)型的總量N，聚類(lèi)中心個(gè)數(shù)c，并建立隨機(jī)的歸屬度原始矩陣，進(jìn)行初步的系統(tǒng)聚類(lèi)分析，統(tǒng)計(jì)各種類(lèi)型的聚類(lèi)中心，以用作初始混合蛙跳算法中的青蛙映射代碼。

步驟2：行為選擇。方法中模擬了青蛙群體在行為時(shí)所獲得的每只青蛙的適應(yīng)力指數(shù)值，并對(duì)青蛙按降序進(jìn)行了排名和分類(lèi)。

步驟3：從每個(gè)子群中開(kāi)始局部搜尋并更換子種群中的最差個(gè)體，直至獲得局部搜尋的最高迭代數(shù)量[8]。

步驟4：將子群體混合，并及時(shí)更新種群的最優(yōu)值。

步驟5：反復(fù)步驟2～步驟4，直至得到最大值給定迭代頻率，此時(shí)的全局最優(yōu)解便是初始聚類(lèi)中心。使用模糊C-均值聚類(lèi)方法，可以得到結(jié)果的聚類(lèi)矩陣分組。最后利用最大隸屬度法則，在對(duì)手護(hù)具集中已有的數(shù)據(jù)加以屬類(lèi)型標(biāo)記[9]。

融合算法流程見(jiàn)圖1。

圖1 融合算法流程

5 仿真實(shí)驗(yàn)分析

5.1 實(shí)驗(yàn)數(shù)據(jù)

前文闡述了群體智能算法的融合思路，為了判斷融合算法是否有效，和傳統(tǒng)大數(shù)據(jù)聚類(lèi)挖掘算法相比是否更先進(jìn)，此次選取典型Iris 數(shù)據(jù)集以及另外3 組人工數(shù)據(jù)集合展開(kāi)仿真實(shí)驗(yàn)，實(shí)驗(yàn)過(guò)程中將4 組實(shí)驗(yàn)數(shù)據(jù)分別代入到傳統(tǒng)模糊C-均值聚類(lèi)算法、POS-FCM 算法、混合蛙跳算法以及此次所形成的融合算法當(dāng)中。4 組實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表1。

表1 4 組實(shí)驗(yàn)數(shù)據(jù)

5.2 聚類(lèi)分析結(jié)果

根據(jù)表1 中的數(shù)據(jù)可以了解到，仿真實(shí)驗(yàn)中數(shù)據(jù)最大迭代次數(shù)在人工數(shù)據(jù)集2 中，迭代次數(shù)為500 次。將4 組數(shù)據(jù)在4 種算法中均執(zhí)行40 次，并且計(jì)算每個(gè)經(jīng)過(guò)迭代的數(shù)據(jù)指標(biāo)平均值，此時(shí)4 組數(shù)據(jù)集在不同算法中的實(shí)驗(yàn)結(jié)果如表2 到表5 所示。此時(shí)可以借助分類(lèi)正確率的相關(guān)計(jì)算公式來(lái)判斷此次聚類(lèi)結(jié)果的有效性情況。計(jì)算分類(lèi)正確率的公式為

表2 模糊C-均值聚類(lèi)算法實(shí)驗(yàn)結(jié)果

表3 混合蛙跳算法實(shí)驗(yàn)結(jié)果

表4 PSO-FCM 算法實(shí)驗(yàn)結(jié)果

表5 融合算法實(shí)驗(yàn)結(jié)果

從表2 到表5 中的數(shù)據(jù)可以了解到，因?yàn)樗惴ㄖ袑?duì)于數(shù)據(jù)集的初始數(shù)值具有較高的敏感度，因此，模糊C-均值聚類(lèi)算法所呈現(xiàn)出的聚類(lèi)效果是4 種算法中最差的。而在混合蛙跳算法中的結(jié)果可以了解到，該算法具有較好的數(shù)據(jù)收斂速度以及魯棒性，該種特性克服了部分?jǐn)?shù)據(jù)的極值問(wèn)題，但是在對(duì)大數(shù)據(jù)進(jìn)行聚類(lèi)劃分時(shí)，劃分精確度明顯低于其他算法。從PSO-FCM 算法實(shí)驗(yàn)結(jié)果來(lái)看，該算法結(jié)合了模糊C-均值聚類(lèi)算法以及粒子群優(yōu)化算法兩種算法，呈現(xiàn)出群智優(yōu)化算法的特征，具備局部數(shù)據(jù)搜索能力，讓聚類(lèi)效果增強(qiáng)，以此來(lái)提升算法的準(zhǔn)確性[10]。從本文提出的融合算法思路仿真實(shí)驗(yàn)結(jié)果來(lái)看，借助混合蛙跳算法對(duì)模糊C-均值聚類(lèi)算法進(jìn)行調(diào)整，優(yōu)化聚類(lèi)中心值，使算法在獲取數(shù)據(jù)時(shí)，選擇更加適合的函數(shù)，不僅具備全局搜索數(shù)據(jù)的能力，且大幅度提升搜索精準(zhǔn)度，呈現(xiàn)出的聚類(lèi)效果更好。

綜上所述，本文所提出的融合算法思路更具備群體智能算法的特征，且該種大數(shù)據(jù)挖掘算法綜合了混合蛙跳算法以及模糊C-均值聚類(lèi)算法的優(yōu)點(diǎn)，能夠?qū)λ惴ㄖ械臄?shù)據(jù)進(jìn)行參數(shù)調(diào)整，使算法具備全局?jǐn)?shù)據(jù)搜索能力。此次研究結(jié)果表明，和其他算法相比，融合算法下的數(shù)據(jù)聚類(lèi)挖掘有效解決了數(shù)據(jù)迭代過(guò)程中的局部陷阱問(wèn)題，呈現(xiàn)出的聚類(lèi)效果更好，數(shù)據(jù)挖掘的準(zhǔn)確度提升。