论文部分内容阅读
智能是个体有目的的行为、合理的思维,以及有效的适应环境的综合能力。计算智能是多种智能的集合,它具有在不确定不精确环境中进行推理和学习的卓越能力,是建立智能系统和智能模型的有效分析和计算工具。聚类是分析数据并从中发现有用信息的一种有效手段。基于“物以类聚”的思想,它将数据对象分组成为若干个类或簇,使得在同一个簇中的对象之间具有较高的相似度,而不同簇中的对象之间差别很大。通过聚类,人们能够识别密集和稀疏的区域,发现全局的分布模式以及数据属性之间有趣的相互关系。计算智能通过建立聚类分析模型和计算用于聚类分析。基于计算智能的聚类分析模型会继承生物系统的处理机制和特征,即对模型有自然的描述能力,并不需要建立精确的数学模型;对处理目标的特性有良好的适应能力;具有良好的自组织特征;处理结果的可视化效果好,便于理解学习;具有一定的智能特征,从而获得了一定智能行为的能力;生物系统的多变性和多样性,也带来了处理目标的多样性;生物系统是大自然的一种客观存在,便于观察和分析,因此具有良好的开放性。计算智能领域非常广泛,从方法上讲,目前计算智能主要包括模糊控制、神经网络、进化计算、群体智能、免疫算法、人工生命和DNA计算等。论文以自组织特征映射(SOM)神经网络和群体智能两种计算智能技术用于聚类分析作为研究主线,开展研究,提出了动态SOM(DSOM)聚类分析模型和自组织混合蚁群(SOMAC)聚类分析模型,对两种模型基于数据并行和消息传递模式进行并行化研究,提出了DSOM并行聚类算法和SOMAC并行聚类算法,最后将DSOM聚类分析模型及其并行化策略用于客户分类,将SOMAC聚类分析模型及其并行化策略用于入侵检测,并通过试验,验证了论文每部分研究工作的有效性和可行性。现将论文的主要研究内容概括如下:1)对论文的理论基础进行介绍和综述。主要包括计算智能技术、群体智能技术、聚类技术的介绍以及研究现状综述。2)基于神经网络的聚类分析模型研究。为了克服固定结构SOM网络进行聚类分析的困难,论文借鉴GSOM网络训练算法的思想,提出了DSOM网络聚类分析模型。DSOM可按需要方便地在任意合适位置生成新结点,所采用的节点生长函数也更加简单实用,使得聚类的执行效率明显提高;DSOM结合了小波聚类的思想,降低了因反复调整学习率和误差率所花费的时间,又自动去除了特征空间中的噪声数据,提高了聚类结果的精度;在DSOM的基础上,利用生长因子控制