基于遺傳算法的模糊聚類挖掘方法應(yīng)用研究.pdf

1、隨著信息技術(shù)和數(shù)據(jù)庫技術(shù)的迅猛發(fā)展，人們能夠獲取的數(shù)據(jù)也與日俱增，對數(shù)據(jù)的加工處理已經(jīng)成為人們獲取有用信息不可缺少的工具。數(shù)據(jù)挖掘是一種通用的知識發(fā)現(xiàn)技術(shù)，利用各種分析工具在大量數(shù)據(jù)中發(fā)現(xiàn)模型和數(shù)據(jù)間的關(guān)系的過程。聚類分析是數(shù)據(jù)挖掘技術(shù)中重要的組成部分，數(shù)據(jù)聚類挖掘技術(shù)是一個正在蓬勃發(fā)展的領(lǐng)域，涉及了人們生活的各個方面。
　　 模糊聚類FCM(Fuzzy c—means)算法是的一種重要的無監(jiān)督學(xué)習(xí)的數(shù)據(jù)聚類挖掘方法，已成為聚類

2、分析技術(shù)研究的熱點。該算法具有結(jié)構(gòu)簡單、局部搜索能力強且收斂速度快的特點，然而FCM算法容易受聚類初始化的影響，而且在迭代時非常容易陷入局部極小。遺傳算法是一種隨機搜索的全局優(yōu)化算法，它通過模擬自然進化過程對最優(yōu)解進行搜索，其顯著的特點是具有并行性及對搜索范圍的全局性。如果將FCM算法和遺傳算法相結(jié)合，用遺傳算法來解決聚類問題，既能發(fā)揮遺傳算法的全局尋優(yōu)能力，又能兼顧FCM算法的局部搜索能力，從而大大提高算法的性能。
　　 本文

3、提出了一種基于改進遺傳算法的模糊聚類算法(IG—FCM)，該算法首先采用遺傳算法的全局搜索特性對初始聚類中心進行全局優(yōu)化，接著運用FCM算法的局部尋優(yōu)特性進一步的最優(yōu)解搜索。IG—FCM算法采用了一種啟發(fā)式聚類的方法，通過有序改變聚類類別數(shù)目，利用聚類有效性評價函數(shù)自動確定最優(yōu)聚類數(shù)目及最優(yōu)聚類結(jié)果。由于采用傳統(tǒng)遺傳算法進行聚類會出現(xiàn)算法收斂速度慢，以及穩(wěn)定性不高、精準性低等問題，本文改進的遺傳算法采取最優(yōu)保存策略來保留當(dāng)前種群中適應(yīng)度

4、最高的個體，讓其副本及其他個體進行最大適應(yīng)度差異交叉操作，確保遺傳算法優(yōu)良基因迭代的穩(wěn)定性，避免不良基因的擴散，提高了算法的收斂速度和精確度。
　　 本文在IG—FCM聚類算法研究的基礎(chǔ)上，針對現(xiàn)有的入侵檢測系統(tǒng)檢測性能的不足以及聚類算法在入侵檢測系統(tǒng)中應(yīng)用的特點，提出了基于改進遺傳算法的特征加權(quán)模糊聚類算法(IG—WFCM)算法，將該算法用于入侵檢測系統(tǒng)中訓(xùn)練數(shù)據(jù)集的聚類劃分，以此為依據(jù)來檢測網(wǎng)絡(luò)數(shù)據(jù)是否正常。基于IG—WFC

5、M算法的入侵檢測系統(tǒng)采用將連續(xù)型屬性和離散型屬性分別處理的數(shù)據(jù)預(yù)處理方式，數(shù)據(jù)之間相似性度量采用加權(quán)的混合距離度量方式，并且采用設(shè)定正常數(shù)據(jù)類集聚類寬度閾值的方法來檢測異常數(shù)據(jù)，以此來提高入侵檢測系統(tǒng)的檢測率。
　　 本文通過采用KDD CUP1999入侵檢測數(shù)據(jù)集進行了仿真實驗，結(jié)果顯示IG—WFCM算法的平均檢測率達到了80．1％，平均誤警率保持為1．605％左右。這充分表明IG—WFCM算法的可行性和有效性，能夠克服FCM