论文部分内容阅读
随着信息技术的飞快发展,传统电子计算机的计算能力、存储能力等因为核心器件的集成极限而临近瓶颈,越来越多的科学家致力于构建全新的计算理论体系。受自然界各种信息处理机制启发而来的自然计算正是其中之一。膜计算作为自然计算的新分支,因其分布式并行计算的特性受到了越来越多的关注,其相关方法与思想也被广泛应用于计算机图形学、数学、语言学和经济学等领域。自1998年膜计算模型被提出以来,已有研究者将膜计算与学习算法相结合研究聚类和分类等学习模型。这些研究主要是将膜计算模型的思想用于学习模型的优化或是将P系统的膜结构作为学习算法计算结果分析比较的容器,并未从膜计算进化规则的层面研究和设计学习算法。本文的主要目的是探索基于类细胞P系统的聚类与分类学习模型,以纯规则的方式设计P系统,并使规则执行的并行性最大限度地得到发挥。本文研究并设计了具有聚类学习功能的类细胞P系统Πkmbc和具有分类学习功能的类细胞P系统Πbpbc,主要工作与创新点如下:(1)研究并设计了以K-medoids为基础的并行聚类算法,基于此算法设计了一个聚类P系统Πkmbc,具体包括其对象多重集、膜结构和进化规则集的设计。分析了Πkmbc的性能,并通过实例说明了它的可行性和有效性。(2)根据BP神经网络模型,设计了具有并行数据处理的分类算法,基于此算法设计了一个分类P系统Πbpbc,包括其对象多重集、膜结构和进化规则集的设计。分析了Πbpbc的性能,并通过实例说明了它的可行性和有效性。本文的研究是对膜计算学习模型的一种探索,设计的Πkmbc和Πbpbc对基于膜计算学习算法的研究有重要意义。它们不仅将膜计算的应用研究从基础运算扩展到包含算法框架的复杂计算,同时也为聚类、分类学习算法的并行实现提供了新的思路。