李鵬松，劉 欣，李俊達

(東北電力大學 理學院，吉林 吉林 132012)

神經(jīng)網(wǎng)絡(Neural Network，NN)是一種模擬人腦大數(shù)據(jù)分析機制的計算方法，是目前大數(shù)據(jù)分析中較為成功的方法之一.近年來，隨著當代計算機計算能力的不斷提升，在神經(jīng)網(wǎng)絡的基礎上研究的大數(shù)據(jù)分析方法取得了很多成果，主要體現(xiàn)在各應用領域，如語音大數(shù)據(jù)分析、圖像大數(shù)據(jù)分析、醫(yī)學大數(shù)據(jù)分析等[1]，促進了人工智能的發(fā)展.在神經(jīng)網(wǎng)絡的領域里，廣泛應用的反向傳播(Back-Propagation)神經(jīng)網(wǎng)絡[2～3]是屬于有監(jiān)督的神經(jīng)網(wǎng)絡，其多層感知器的學習和分類是以一定的先驗知識為條件的，即網(wǎng)絡權值的調整是在有監(jiān)督的情況下進行的.但在實際應用中，有時并不能提供所需的先驗知識，這就需要網(wǎng)絡具有足夠的自學習能力.而自組織映射(The Self-Organizing Map，SOM)網(wǎng)絡則是無監(jiān)督的神經(jīng)網(wǎng)絡中較基礎的一種神經(jīng)網(wǎng)絡，是通過自動尋找樣本中的內(nèi)在規(guī)律和本質屬性，自組織、自適應地改變網(wǎng)絡參數(shù)與結構.文獻[4～6]分別將其應用在客戶分類、任務分配、動作識別中，取得了較好的效果.

免疫遺傳算法(Immune Genetic Algorithm，IGA)是將免疫理論(Immune Algorithm，IA)和基本遺傳算法(Simple Genetic Algorithm，SGA)各自的優(yōu)點結合起來的優(yōu)化算法.保留了遺傳算法的搜索特性，并利用了免疫算法的多機制求解多目標函數(shù)最優(yōu)解的自適應特性，避免了因“早熟”現(xiàn)象而導致算法陷入局部極值.文獻[7～11]主要研究了控制參數(shù)的選取、解的收斂等問題，豐富了免疫遺傳算法的理論.

目前，國內(nèi)外學者將智能優(yōu)化算法與自組織映射網(wǎng)絡相結合已取得一些成果，其中大部分都是對遺傳算法自組織映射網(wǎng)絡進行研究.文獻[12～15]分別從不同層面出發(fā)，利用基于遺傳算法的自組織映射網(wǎng)絡，不同程度地提高了網(wǎng)絡算法的分類準確度及訓練效率.目前將免疫遺傳算法和自組織映射網(wǎng)絡相結合的研究結果尚不多見，本文構建了一種基于免疫遺傳算法的自組織映射網(wǎng)絡，利用免疫遺傳算法的全局優(yōu)化特征和自適應特性，分析如何用免疫遺傳算法調整權值，優(yōu)化自組織映射網(wǎng)絡，使其充分發(fā)揮自組織映射網(wǎng)絡的自學習能力以及自適應特性，提高了算法的分類準確度及訓練效率.

本文主要關注以下2方面內(nèi)容：

(1)構建了一種基于免疫遺傳算法的自組織映射網(wǎng)絡，采用免疫遺傳算法對自組織映射網(wǎng)絡的初始權值進行優(yōu)化，然后運行自組織映射網(wǎng)絡.

(2)將本文算法應用于員工缺席數(shù)據(jù)集以及鮑魚數(shù)據(jù)集，得出分析結果，與基于遺傳算法的自組織映射網(wǎng)絡的分類結果進行比較，以說明本文算法的有效性.

1 基于免疫遺傳算法的自組織映射網(wǎng)絡

基于免疫遺傳算法的自組織映射網(wǎng)絡算法流程圖，如圖1所示.

圖1 基于免疫遺傳算法的自組織映射網(wǎng)絡算法流程圖

首先輸入數(shù)據(jù)，將數(shù)據(jù)從矩陣形式化為編碼形式，代入免疫遺傳算法模型中，得到一個一維的權向量，將這個權向量作為自組織映射網(wǎng)絡的初始權值.構建自組織映射網(wǎng)絡結構，輸入層神經(jīng)元數(shù)量等于訓練集樣本數(shù)乘以數(shù)據(jù)維數(shù)，競爭層對于每一個輸入數(shù)據(jù)，找到與它最相配的節(jié)點，即為優(yōu)勝節(jié)點，判別函數(shù)為歐氏距離.找到激活節(jié)點之后，更新與它臨近的節(jié)點，對于臨近的節(jié)點，分配給它們一個更新的連接權值.在反復的競爭學習中，競爭層的各神經(jīng)元對應的連接權向量逐漸被調整為輸入樣本空間的聚類中心.然后將測試集的樣本數(shù)據(jù)輸入模型中，得到測試集分類的結果，并與實際情況進行對比.自組織映射網(wǎng)絡建立了每個樣本和所分的類之間的激活關系，激活函數(shù)為sigmoid函數(shù)，有效地對數(shù)據(jù)集進行了分類.

2 結果分析

當學習率衰減到0時，網(wǎng)絡完成訓練，即分類結束.參數(shù)設定，如表1所示.

表1 參數(shù)設定表

2.1 員工缺席數(shù)據(jù)集分類結果分析

選取員工缺席數(shù)據(jù)集，數(shù)據(jù)樣本為740，數(shù)據(jù)維數(shù)為21.將員工缺席數(shù)據(jù)集分為兩部分，一部分為訓練集，另一部分用做測試集和驗證集，測試集分為2類，一類為員工缺席，一類為員工不缺席，再通過驗證集來對比說明分類的準確度.在2類測試數(shù)據(jù)中分別使用不同記號.第1類出席標記為星號(*)、第2類缺席標記為加號(+).

基于遺傳算法的自組織映射網(wǎng)絡測試集分類結果，如圖2所示.基于免疫遺傳算法的自組織映射網(wǎng)絡測試集分類結果，如圖3所示.將測試集的缺席情況與驗證集進行對比.

表2 算法結果對比表

根據(jù)實驗結果，基于免疫遺傳算法的自組織映射網(wǎng)絡的分類效果較遺傳算法的自組織映射網(wǎng)絡的分類效果好，即本文算法的分類準確度、訓練效率高于遺傳算法的自組織映射網(wǎng)絡，如表2所示.

圖2 基于遺傳算法的自組織映射網(wǎng)絡對員工缺席數(shù)據(jù)的測試集分類結果圖圖3 基于免疫遺傳算法的自組織映射網(wǎng)絡對員工缺席數(shù)據(jù)的測試集分類結果圖

2.2 鮑魚數(shù)據(jù)集分類結果分析

選取鮑魚數(shù)據(jù)集，數(shù)據(jù)樣本為4177，數(shù)據(jù)維數(shù)為8.將鮑魚數(shù)據(jù)集分為兩部分，一部分為訓練集，另一部分用做測試集和驗證集，測試集分為3類，一類為鮑魚年齡在0歲～10歲，一類為鮑魚年齡在11歲～20歲，一類為鮑魚年齡在21歲～30歲，再通過驗證集來對比說明分類的準確度.在3類測試數(shù)據(jù)中分別使用不同記號.第1類鮑魚年齡在0歲～10歲標記為圓圈(*)、第2類鮑魚年齡在11歲～20歲標記為星星(+)，第3類鮑魚年齡在21歲～30歲標記為加量(+).

表3 算法結果對比表

基于遺傳算法的自組織映射網(wǎng)絡測試集分類結果，如圖4所示.基于免疫遺傳算法的自組織映射網(wǎng)絡測試集分類結果，如圖5所示.將測試集的鮑魚年齡情況與驗證集進行對比.

根據(jù)實驗結果，基于免疫遺傳算法的自組織映射網(wǎng)絡的分類效果較遺傳算法的自組織映射網(wǎng)絡的分類效果好，即本文算法的分類準確度、訓練效率高于遺傳算法的自組織映射網(wǎng)絡，如表3所示.

圖4 基于遺傳算法的自組織映射網(wǎng)絡對鮑魚數(shù)據(jù)的測試集分類結果圖圖5 基于免疫遺傳算法的自組織映射網(wǎng)絡對鮑魚數(shù)據(jù)的測試集分類結果圖

3 結 論

將本文提出的算法應用于員工缺席數(shù)據(jù)集與鮑魚數(shù)據(jù)集，說明了算法的有效性，對員工缺席情況和鮑魚年齡實現(xiàn)了更準確的分類.結果表明本文算法比基于遺傳算法的自組織映射網(wǎng)絡具有更高的訓練效率.