【word】 蚁群聚类算法与HOPfield网络融合模型的研究
蚁群聚类算法与HOPfield网络融合模型的
研究
72蚁群聚类算法与HOPfield网络融合模型的研究
蚁群聚类算法与HOPfield网络融合模型的研究
FusionModelBasedonAntColonyClusteringAlgorithmandHOPfieldNet
work
高晓星’封素敏李晓霞’
(1石家庄经济学院职业技术学院实验中心,河北石家庄050031;
2石家庄计算机职业学院计算机应用系,河北石家庄050061)
摘要
聚类需要在没有任何先验知识的情况下得出数据的规律.为了解决聚类中的局部收敛问题,利用蚁群聚类的优点,结
合连续型HOPfield网络构造合适的目标函数,得出融合的模糊聚类模型.运用海量的数据对融合的模型进行验证,得到满
意结果.
关键词:蚁群算法,神经网络,算法融合,模糊聚类
Abstract
ClusteringneedtoobtaintherulesofdatewithoutPrioriknowledgeInordertos
olvetheproblemoflocalconvergence
inclusteringalgorithm,usetheadvantageofantcolonyclustering,combineH
OPfieldnetworktoconstructanappropriateob—
jectivefunction.Obtainthefusionfuzzyclusteringmode1.Getsatisfactoryre
sultsbyusingvastamountsofdatatoauthentica—
tionthefusionmodel
Keywords:antcolonyalgorithm,ANN,algorithmfusion,fuzzyclustering
聚类就是按照一定的要求和规律对事物进行区分和分类的
过程,把一个没有标记的样本集按某种准则划分成若干类,使相
似的样本尽可能归为一类,而相似的样夺尽量划分到不同的类
中.聚类问题中最难解决的是聚类过程中容易出现收敛速度慢,
局部收敛的现象.同时聚类中的数据往往来自于生产实践,实际
进行判断的过程中并不能将某个数据严格的归为某一类,数据问
存在着模糊现象.为了使大量的数据能够得到正确,符合实际的
聚类效果,构建蚁群聚类与Hopfield网络相融合的模型.
1蚁群聚类
蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁群体觅食
行为的仿生优化算法,采用了正反馈机制,具有较强的鲁棒性,
优良的分布式计算机制,易于与其他方法结合等优点,在解决许
多复杂优化问题方面展现出优异的性能和巨大的发展潜力.
传统的蚁群聚类是通过下述算法的多次选择,使蚂蚁群体
确定两点之问的最短距离.
Begin
初始化:t=0
iteration=0(iteration为迭代步数)
将m个蚂蚁随机置于n个顶点上;
一
Loop:
将所有蚂蚁的初始出发点置于当前解集中;
fori=0ton一1do
fork=1fOmdo
按概率选择顶点i;
移动蚂蚁k至顶点i;
将顶点J置于k的当前解集;
endfor
t=t+1
endfor
计算各蚂蚁的当前目标函数值;
更新当前的理想解;
计算各个解的满意度;
iteration=iteration+1
ifiteration<预定的迭代次数
石家庄经济学院教学改革研究项目(2009J22)
thengotoLoop
else输出目前的最满意解
End
聚类算法主要包括分割聚类方法,层次聚类方法,基于密度
的聚类方法和基于网格的聚类方法.从实现方法上分,聚类分析
方法可大致分为四种类型:谱系聚类法,基于等价关系的聚类方
法,图论聚类法和基于目标函数的聚类方法.对于前三种方法由
于不适用于大量数据的处理,难以满足实时性要求高的场合.在
实际应用中,基于目标函数的分析聚类方法将聚类分析归结为
一
个带约束的非线性
规划
污水管网监理规划下载职业规划大学生职业规划个人职业规划职业规划论文
问题,通过优化求解获得数据集的最
优划分和聚类,是常用的聚类分析方法.
2Hopfield网络的聚类机理
人工神经网络是从微观结构与功能上对人脑神经系统进行
模拟而建立起来的一类模型,具有模拟人的部分形象思维的能
力.具有非线性特性,学习能力强,高度的并行性和自适应性,并
且神经元可以将信息处理和信息存储合二为一.连续型Hop—
field神经网络中,网络的输入,输出量是模拟量,各神经元采用
并行方式工作,在信息处理上更接近于生物神经网络.对于连续
型Hopfield聚类神经网络,构建如下目标函数
P=(P1,P…,P..),i=1,2,…,C表示第1类的代表矢量或
《工业控制计算机}2010年第23卷第8期73
聚类原型矢量;(d.)=IlXk--PliA=(一P.)TA(Xk-P.),表示第1
类中的样本X与第i类的典型样本P.之间的失真度,经常用两
个矢量问的距离来度量.
要达到聚类准则,使J(U,P)取最小值,由于矩阵U中各
列都是独立的,因此:
min{Jm(u,尸)}=minI??()()}
:
?min{?()()}
通过求偏导得出使J(U,P)最小时对应的的划分矩阵及聚
类中心.
3蚁群算法与Hopfield网络聚类融合模型
传统的蚁群算法,最大的缺点是最大迭代次数是人为设定,
缺乏科学依据,所以结合Hopfield聚类网络的算法与蚁群聚类
的优点构造能量函数,根据能量函数来决定是否结束算法.
构造如下目标函数:
J=百a???,Vqi+b?(?,一7)24-c??,,(2)i=1P=10?P,i=1f=P…11
通过不断训练调整系数a,b,C,当J达到某个极小值时得
到划分矩阵.其中i代表点的个数,K代表划分类别号.一位矩阵
V代表点所属的类号,R代表第P类的中心.
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
的融合模型算法如下:根据目标函数,首先为蚂蚁随机
选择位置,将其放在一个二维矩阵里,这样每个蚂蚁周围最多存
在8个蚂蚁.然后蚂蚁在全局坐标中进行移动,根据自己周围的
元素来确定自己的状态:运动或睡眠.如果处于运动状态移动,
经过一次循环后计算目标函数,直到达到要求精度位置.采用
Matlab语言进行编程,具体的算法描述如下:
1)初始化参数设置:数据样本个数,即蚂蚁个数n;用矩阵
X表示样本数据的集合,设数据位14维,则X的维数为nx14;
wn为矩阵的维数,取wn=15.计算目标函数初值.
2)fori=1:1:n%为每个蚂蚁所代表的数据分配一个坐标
(X.,Y,).
x(i)=ceil(i/wn);
y(i)=i一(x(i)一1)wn;
%为每个蚂蚁随机分配一个类号c,并存放在类别矩阵c中
c(x(i).y(i))=ceil(rand$1O)+1:%类号
endfor
3)fori=1:1:n
forj=1:1:n
%计算任意两个蚂蚁所代表的多维数据的欧氏距离
ifi=j&×(i,:)=0&x(j,:)=0’
d(i,j)=((x(i,1)一x(j,1))2十(x(i,2)一x(j,2))2十(x(1,3)一X(1,3))2十(x(j,4)-x(j,
4))2+……+(X(j,14)一x(j,14))2)05:
elseU(i,j)=eps;
end
U(j,j)=D(I,j)
alpha(i,j)=(sum(D(i,:)))/n(sum(D(j,:))/n):
end
end
4)进行蚁群聚类
fori=1:1:n
%计算蚂蚁的激活概率p(j)
p(i)=exp(一beta):
%产生一个[O,1]均匀分布的随机数:rand
_frand?P(i)then
ant在矩阵的空闲位置任意选择一个,设为j,蚂蚁移动到该位置
ifp一
(j)~<randthen
蚂蚁变为睡眠状态,它的类号与其邻域中相异度最小的蚂
蚁的类号一致,即先求出蚂蚁与周围8个数据的距离,再执行下
列程序决定蚂蚁的类号.
s=d(find(d));
t=min(s);
q=find(d==t):
q1=rain(q);
ifql=:1
c(x(i),y(i))=c(×(i),y(i)一1):
elseifq1==2
c(x(i),y(i))=c(x(i),y(i)+1):
elseifql==3
c(x(i),y(i))=c(x(i)一1,y(i)-I):
elseifql==4
c(×(i),y(i))=c(x(i)一1,y(i))i
elseifql==5
c(×(i),y(i))=c(x(i)一1,y(i)+1):
elseifq1==6
c(x(i),y(i))=c(x(i)+1.y(1)一1):
elseifq1==7
c(x(j),y(i))=c(x(i)+1,y(i))=
else
c(x(i),y(i))=c(x(i)+1,y(i)+1);
end
}
endif
else蚂蚁重新选择空闲位置
endif
endfor
%按照下列程序更新激活闽值B:
_frem(t,10)==0:%求余数
favg(t)=sum(f(i))/n;
detafaVg=faVg(1)一faVg(t一1):
detapp=-10detafavg;%每间隔10代更新一次13值
befa=beta+detapp:
else
detapp=O;
endwhiIe
5)计算聚类后的能量函数,如若不满足要求返回4),否则
向下进行;
6)输出所有蚂蚁的坐标(X,Y.);
7)输出聚类后的类别矩阵C.
4应用
在实际应用中,许多工业生产存在着数据海量,难以观测其
规律的情况,需要对这些数据进行聚类.4中的算法数据均处于
O,1之间,但是现
实中的数据并不是
都是位于0,1之
间的简单数据.所
以为了使用上述算
法,需要先运用简
单的归一化算法将
数据分配在0,1
之问,之后将归一
化后的多维数据进
行聚类.
以复杂的煤矿
生产过程中,顶板
稳定性预测所需数
据为例,煤矿顶板
是否稳定收到地理
位置,当前开采情
表1样本采集结果
74蚁群聚类算法与HOPfield网络融合模型的研究
况,开采技术等许多因素的影响.将此数据通过采集后得到的部
分样本如表1所示.
其中,顶板岩性中0代表泥岩,1代表砂岩;构造复杂程度1
i弋表简单,2代表中等,3代表复杂;开采方法0代表短壁开采,1
代表长壁开采;煤柱中O代表无煤柱,1代表有煤柱;开采方式0
代表炮采,1代表综采.
.
经过归一化后,数据聚为4类,运用聚类算法得出的聚类结
果如图1.
图1聚类结果图
具体的聚类结果如表2所示.
表2聚类隶属度结果值
通过分析11,12,15,16属于类别I(不稳定顶板),5,7,8,
1O,13,14属于类别?(中等稳定顶板),2,3,6,9属于类别?(稳
定顶板),1,4属于类别?(坚硬顶板).
运算过程中目标函数的误差精度变化如图2所示,误差稳
定的减小,达到10
Pe口rm?I1csD口D0187673G0Is0?口1
..’
图2误差表示结果图
5结束语
本文采用蚁群聚类与连续Hopfield网络算法相融合,根据
划分矩阵得出海量数据的聚类算法.为了验证算法的正确性及
实用性,利用复杂的煤矿顶板稳定性因素数据进行验证,利用
Matlab编写程序,通过模型的训练,仿真.通过结果验证了模型
的有效性.
参考文献
[1]权太范.信息融合神经网络模糊推理理论及应用[M].北京:国防工业
出版社,2002
[2]曹晓辛,李柠,黄道.基于蚁群聚类的模糊神经网络[J].华东理工大
学,2O05,31(2):215-218
[3]段海滨蚁群算法原理及应用[M].北京:科学出版社,2005,10:
290-297
[4]冯夏庭智能岩石力学导论[J]岩石力学与工程,1999(2):222-
226
[收稿日期:2010.3.9]
风河以全球钻石级赞助商支持Freescale技术论坛
Intel全资子公司风河系统公司(WindRiver)El前宣布,风
河以全球钻石级赞助商支持Freescale技术论坛(Freescale
TechnologyForum,简称F-rF).本届FTF—一”FTF美洲”于
2010年6月21El一24日在美国佛罗里达州奥兰多市JW
MarriottandRitz—Carlton会议中心举办.除了作为全球钻石
级赞助商为论坛活动提供首要支持外,风河还在论坛期间举行
一
系列的技术专题会议.同时,风河首席技术官Tomas
Evensen作为受邀演讲嘉宾,参加题为”从低功耗双核架构演进
到高性能八核(或更多核)的虚拟化技术”的主题分组座谈会.
Evensen表示:”通过FTF论坛,Freescale半导体公司为
我们创造了一个吸引广大业界技术专家定期参与的例会,共同
讨论当前和未来的技术发展趋势和面临的挑战.作为嵌入式系
统市场的领先厂商,风河对FTF提供了全力的支持,也对整个嵌
入式行业和开发者社区的发展壮大做出贡献.通过与Freescale
等行业领先厂商的合作,风河帮助客户掌握业界最先进的创新
技术和发展趋势(例如多核技术的应用和嵌入式虚拟化技术的
引入),最大程度地提升他们的产品技术实力.”
Freescale公司网络与多媒体集团软件系统高级副总裁
RajaTabet表示:”风河是嵌入式技术大家族中的重要成员之
一
,我们非常高兴他们能够为F-rF提供长期的高级赞助,并且与
我们共同合作,为F『rF的解决
方案
气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载
和客户提供支持.Freesoale
将再次通过论坛活动集中业界最领先的创新技术和产品,为客
户提供深入的技术培训议程,以及与行业发展分析专家互动的
机会,确保我们的客户能够选择最佳的解决方案来满足他们的
设计需求.”
在FTF活动上,参会者可以获得Freescale公司最新技术
的深入培训,并有机会与来自全球的嵌入式行业专家面对面进
行交流.从2005年首次开始举办以来,已经有超过28000人参
加了FTF活动,每年的FTF论坛都汇聚了引领全球嵌入式市场
发展的重要厂商和专家.F-rF中国站将于8月24日至25日于
上海浦东香格里拉大酒店举行.
(由美国风河系统公司北京办事处供稿)