基于最小生成樹的集成多目標(biāo)進(jìn)化自動(dòng)聚類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于網(wǎng)絡(luò)技術(shù)領(lǐng)域，更進(jìn)一步涉及數(shù)據(jù)挖掘技術(shù)領(lǐng)域中的一種基于最小生 成樹的集成多目標(biāo)進(jìn)化自動(dòng)聚類方法。本發(fā)明通過多目標(biāo)進(jìn)化算法，可有效地對各種基因 數(shù)據(jù)集進(jìn)行聚類分析，主要用于生物醫(yī)學(xué)識(shí)別、腫瘤檢測等領(lǐng)域中存在的高維度數(shù)據(jù)的分 析。
【背景技術(shù)】
[0002] 在大規(guī)模數(shù)據(jù)分析中，傳統(tǒng)的數(shù)據(jù)分析工具只能分析出數(shù)據(jù)的簡單關(guān)系，但是不 能挖掘到數(shù)據(jù)之間潛在的關(guān)系和隱藏的信息。近年來，許多學(xué)者通過對數(shù)據(jù)深層信息的 挖掘，在人工智能、人工神經(jīng)網(wǎng)絡(luò)和智能計(jì)算等學(xué)科的基礎(chǔ)上，對數(shù)據(jù)挖掘進(jìn)行多方面的研 究，將聚類分析應(yīng)用到數(shù)據(jù)挖掘技術(shù)上，并且得到了廣泛的應(yīng)用。聚類技術(shù)是指在無監(jiān)督條 件下，對未知數(shù)據(jù)進(jìn)行類別預(yù)測的技術(shù)。常見的應(yīng)用如：數(shù)據(jù)分析、圖像分割處理、生物醫(yī)學(xué) 識(shí)別、腫瘤檢測等實(shí)際應(yīng)用。目前已經(jīng)提出了很多多目標(biāo)聚類算法，但是大部分算法并沒有 致力于處理高維數(shù)據(jù)集，而用于生物醫(yī)學(xué)識(shí)別和腫瘤檢測的基因數(shù)據(jù)集的最大特點(diǎn)就是具 有很高的維度。
[0003] 西安電子科技大學(xué)申請的專利"監(jiān)督基因表達(dá)數(shù)據(jù)分類方法"（專利申請?zhí)?201410817036. 9,公開號(hào)CN 104504305A)中公開一種監(jiān)督基因表達(dá)數(shù)據(jù)分類的方法。該 方法采用類別保留投影方法獲得訓(xùn)練樣本的鑒別特征向量，再利用訓(xùn)練樣本的鑒別特征向 量，采用回歸優(yōu)化方法獲得投影矩陣，通過投影矩陣獲得訓(xùn)練樣本特征集和測試樣本特征 集，最后用最近鄰分類器實(shí)現(xiàn)對測試樣本的分類識(shí)別。該方法存在的不足之處是，該方法必 須預(yù)先定義類或者帶類標(biāo)記的訓(xùn)練樣本，然而大部分基因數(shù)據(jù)集并不能預(yù)先知道類別數(shù)， 并且由于該方法將類別保留投影方法轉(zhuǎn)化到回歸框架，加重了分類器設(shè)計(jì)的負(fù)擔(dān)，從而降 低了基因表達(dá)數(shù)據(jù)分類的準(zhǔn)確性。
[0004] RC Liu 等人在其發(fā)表的論文 "An improved method for multi-objective clustering ensemble algorithm'， （IEEE Congress on Evolutionary Computation. 2012.)中提出了一種基于四目標(biāo)的聚類集成方法。該方法采用遺傳算法的框 架，利用四種不同的傳統(tǒng)聚類算法產(chǎn)生初始種群，采用集成算法MCLA作為交叉算子，產(chǎn)生 新的中間種群，利用多目標(biāo)優(yōu)化算法NSGA-II的思想，從中間種群中選擇下一代種群，如果 迭代沒有達(dá)到設(shè)定次數(shù)，則跳回到交叉步驟一直循環(huán)，最終得到較好聚類結(jié)果的集群。該方 法雖然采用集成算法MCLA作為交叉算子，具有很強(qiáng)的搜索能力，但是，該方法仍然存在的 不足之處是，該方法采用的交叉方式在對基因數(shù)據(jù)集的處理時(shí)很容易產(chǎn)生非法的解，即所 有的數(shù)據(jù)類標(biāo)都變成了零，大大降低了該方法的準(zhǔn)確性，影響了對基因數(shù)據(jù)集的分類結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于最小生成樹的集成多 目標(biāo)進(jìn)化自動(dòng)聚類方法，以實(shí)現(xiàn)對高維度基因數(shù)據(jù)集的聚類分析，產(chǎn)生高質(zhì)量的聚類劃分。
[0006] 實(shí)現(xiàn)本發(fā)明目的的具體步驟如下：
[0007] (1)輸入待聚類的基因數(shù)據(jù)集；
[0008] (2)初始化：
[0009] (2a)設(shè)定待聚類基因數(shù)據(jù)集的類別數(shù)區(qū)間；
[0010] (2b)采用K均值算法，分別將待聚類基因數(shù)據(jù)集的類別數(shù)區(qū)間中的每一個(gè)值作為 待聚類基因數(shù)據(jù)集的類別數(shù)，對確定類別數(shù)的待聚類基因數(shù)據(jù)集進(jìn)行聚類，得到不同的K 均值基聚類種群；
[0011] (2c)采用平均距離算法，分別將待聚類基因數(shù)據(jù)集的類別數(shù)區(qū)間中的每一個(gè)值作 為待聚類基因數(shù)據(jù)集的類別數(shù)，對確定類別數(shù)的待聚類基因數(shù)據(jù)集進(jìn)行聚類，得到不同的 平均距離基聚類種群；
[0012] (2d)采用最大距離算法，分別將待聚類基因數(shù)據(jù)集的類別數(shù)區(qū)間中的每一個(gè)值作 為待聚類基因數(shù)據(jù)集的類別數(shù)，對確定類別數(shù)的待聚類基因數(shù)據(jù)集進(jìn)行聚類，得到不同的 最大距離基聚類種群；
[0013] (2e)采用譜聚類算法，分別將待聚類基因數(shù)據(jù)集的類別數(shù)區(qū)間中的每一個(gè)值作為 待聚類基因數(shù)據(jù)集的類別數(shù)，對確定類別數(shù)的待聚類基因數(shù)據(jù)集進(jìn)行聚類，得到不同的譜 聚類基聚類種群；
[0014] (2f)將K均值基聚類種群、平均距離基聚類種群、最大距離基聚類種群、譜聚類基 聚類種群合并為父代種群；
[0015] (3)設(shè)定迭代參數(shù)：
[0016] 將最大迭代次數(shù)設(shè)定為50次，初始迭代次數(shù)為1，迭代步長為1 ;
[0017] (4)計(jì)算簇間相似性：
[0018] 按照下式，計(jì)算父代種群中所有簇之間的相似性：
[0019]
[0020] 其中，ECS( ·)表示父代種群中任意兩個(gè)簇的簇間相似性，C1, (：2分別表示父代種 群中不同的兩個(gè)簇，|Cl|、Ic2 I分別表示簇C1和簇C2中所包含的數(shù)據(jù)點(diǎn)個(gè)數(shù)，Σ表示求和 操作，e表示屬于符號(hào)，Cl 1表示父代種群簇(^中的數(shù)據(jù)點(diǎn)，（12表示父代種群簇(：2中的數(shù)據(jù) 點(diǎn)，sim( ·)表示父代種群中不同的數(shù)據(jù)點(diǎn)出現(xiàn)在同一個(gè)簇中的次數(shù)；
[0021] (5)生成最小生成樹：
[0022] (5a)采用普利姆算法，生成最小生成樹，最小生成樹中的每個(gè)節(jié)點(diǎn)代表父代種群 中的每個(gè)簇；
[0023] (5b)將最小生成樹中任意兩個(gè)節(jié)點(diǎn)的簇間相似性的值賦予連接這兩個(gè)節(jié)點(diǎn)邊的 權(quán)值；
[0024] (6)斷開最小生成樹：
[0025] (6a)將最小生成樹所有邊中權(quán)值最小的邊斷開，將整個(gè)最小生成樹分成c個(gè)子生 成樹，其中，c表示待聚類基因數(shù)據(jù)集的真實(shí)類別數(shù)；
[0026] ^b)采用投票法，確定每個(gè)節(jié)點(diǎn)表示的簇中的數(shù)據(jù)點(diǎn)所屬的個(gè)子生成樹；
[0027] (6c)判斷最小生成樹中的所有邊是否都斷開，若是，則得到一個(gè)與父代種群規(guī)模 相同的子種群，執(zhí)行步驟（7);否則，執(zhí)行步驟（6a);
[0028] (7)合并種群：
[0029] 將與父代種群規(guī)模相同的子種群與父代種群合并為二倍種群；
[0030] (8)快速非支配排序：
[0031] (8a)搜索二倍種群中的被支配個(gè)體數(shù)量為0的個(gè)體，將其全部放入第一集合中， 并賦予該集合中每個(gè)個(gè)體相應(yīng)的非支配序；
[0032] (8b)對第一集合中個(gè)體所支配個(gè)體的子集合中的被支配個(gè)體數(shù)量為1的個(gè)體，其 放入第二集合中，賦予該集合中個(gè)體相應(yīng)的非支配序；
[0033] (8c)判斷二倍種群中的所有個(gè)體是否都被分級(jí)，若是，則執(zhí)行步驟（9);否則，執(zhí) 行步驟（8b);
[0034] (9)計(jì)算擁擠度：
[0035] 計(jì)算二倍種群中每個(gè)個(gè)體的擁擠度，按照擁擠度的大小進(jìn)行降序排列，得到擁擠 度序；
[0036] (10)生成新的父代種群：
[0037] 將二倍種群中每個(gè)個(gè)體按照非支配序從小到大排列，相同的非支配序個(gè)體之間按 照擁擠度序從大到小排列，從排列好的二倍種群中選擇前一半個(gè)體組成新的父代種群；
[0038] (11)判斷迭代次數(shù)是否小于50,若是，將迭代次數(shù)加1，執(zhí)行步驟⑷；否則，執(zhí)行 步驟（12);
[0039] (12)選擇最優(yōu)個(gè)體：
[0040] 計(jì)算父代種群中每個(gè)個(gè)體的評價(jià)函數(shù)值，將父代種群中評價(jià)函數(shù)值最大的個(gè)體作 為父代種群中的最優(yōu)個(gè)體；
[0041] (13)按照下式，計(jì)算父代種群中的最優(yōu)個(gè)體的精確值：
[0042]
[0043] 其中，CR表示父代種群中最優(yōu)個(gè)體的精確值，Σ表示求和操作，R表示父代種群中 個(gè)體u所包含的數(shù)據(jù)點(diǎn)個(gè)數(shù)，i表示父代種群個(gè)體u中的任意一個(gè)數(shù)據(jù)點(diǎn)，C表示父代種群 中個(gè)體V所包含的數(shù)據(jù)點(diǎn)個(gè)數(shù)，j表示父代種群個(gè)體V中的任意一個(gè)數(shù)據(jù)點(diǎn)，u、V分別表示 父代種群中的任意兩個(gè)個(gè)體，H 1,表示同時(shí)出現(xiàn)在簇u i和簇V i中的數(shù)據(jù)點(diǎn)的個(gè)數(shù)，η表示輸 入的待聚類數(shù)據(jù)集的數(shù)據(jù)點(diǎn)個(gè)數(shù)，Ii1表示只出現(xiàn)在簇U1中的數(shù)據(jù)點(diǎn)個(gè)數(shù)，η ,表示只出現(xiàn)在 簇Uj中的數(shù)據(jù)點(diǎn)個(gè)數(shù)，u i表示父代種群中個(gè)體u中任意一個(gè)簇，V i表示父代種群中個(gè)體V 中的任意一個(gè)簇。
[0044] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
[0045] 第一，由于本發(fā)明引入普利姆算法生成最小生成樹，產(chǎn)生新的中間種群，克服了現(xiàn) 有技術(shù)中存在交叉方式在對基因數(shù)據(jù)集處理時(shí)容易產(chǎn)生非法的解的問題，使得本發(fā)明對解 空間的搜索能力大幅增強(qiáng)，提高了本發(fā)明對數(shù)據(jù)聚類結(jié)果的準(zhǔn)確性。
[0046] 第二，由于本發(fā)明引入了快速非支配排序，選擇新的父代種群時(shí)不需要預(yù)先定義 種群類別數(shù)，克服了現(xiàn)有技術(shù)中必須預(yù)先定