论文部分内容阅读
近年来,随着计算机的普及和应用技术的发展,人们获取数据的能力得到了极大提高。数据流作为数据挖掘的一种新的研究内容,已经出现在各种应用领域。区别于传统的存储在磁盘上的静态的数据,它具有连续、有序、快速变化、海量等特性。对此类数据的分析和挖掘日益成为学者们研究的热点问题。目前典型的数据流聚类算法有Clu Stream算法、Hp Stream算法和AClu Stream算法等。然而传统的数据流聚类算法在理论和实践上都不够成熟,容易导致运算效率低、聚类能力弱、自适应性不强,对问题的依赖性过高等问题出现。本文研究了基于人工免疫系统的数据流聚类算法,利用人工免疫系统所具有的强大的学习、记忆、适应动态环境变化及自组织特性,提出了适用于数据流聚类问题求解的改进方法,并设计了基于人工免疫系统的数据流聚类算法(AIStream)。通过对初始抗原数据集的预处理,有效地提高了后期聚类的效率和准确性;在亲和力计算过程中引入衰减因子,能更贴切地反映出过去数据与当前新增的数据对整个数据流的影响;通过改进淘汰策略,使得网络中传输的数据更符合真实数据流的内在特性,也更富有价值。从而有效改善了聚类效果和质量。将改进后的算法应用于中真实的十字路口交通流控制中,用以验证该算法的有效性和可靠性。并进一步对所得到的聚类结果加以分析研究,以期能够为十字路口交通管控提供一定的科学依据。同时,通过理论及仿真实验对改进后的算法进行了验证,并与传统数据流聚类算法的运算结果进行了对比。实验结果显示,新算法不仅具有更高的收敛速度和精度,同时所需时间较少,具有良好的聚类质量及较快的数据处理能力。由于人们对数据流聚类算法的研究还处于开拓阶段,针对此类问题的特征,虽然已经提出了一些数学模型和算法,但它们还不够成熟,并且有待于继续完善,这也是作者下一步研究的方向。