一种新的人工免疫网络动态聚类在MIS评价中的应用
摘 要 从人工免疫网络原理出发,建立MIS分类模型与生物免疫系统的对应关系,提出了一种新的人工免疫网络动态聚类算法,并将算法应用到MIS评价中。实例分析表明,该算法能有效地从大量待评价的MIS指标属性数据中得到MIS分类,以及不同类型的数据特征。另外,该算法还为评价指标的隶属度函数制定提供了有力的理论依据。
关键词 人工免疫网络 聚类分析 管理信息系统(Management Information System,MIS)评价
随着信息化进程的加快,企业管理信息系统 (MIS)在企业生产和管理中日显重要,管理信息系统的特性是否与企业自身要求相一致直接关系到企业的生存与发展,对于种类繁多的MIS如何才能选择适合自己企业的系统,这需要对每个系统的特征进行评价[1]。在尊重个体差异的基础上,评价出每种系统的特长,使得企业结合自己的需求进行有效的选择。而进行聚类分析是根据事物本身的特性,将事物性质上的亲疏程度进行分类的方法。聚类分析的目标是将一个数据集划分成若干个簇,使在同一簇中的对象尽可能相似,而不同簇的对象间的差异尽可能大。在分析过程中获得簇的数量称为动态聚类(dynamic clustering)。动态聚类人工免疫网络是以人工免疫网络模型、免疫算法和基于核函数的聚类分析方法为基础构造的一种新型聚类分析方法[2]。本文构建了人工免疫网络元素和MIS 评价的对应关系,提出了一种新的动态免疫聚类算法,并将它应用于企业管理信息系统评价中。
利用该方法可清晰、准确地反映出待评价的MIS分类和不同类型的各评价指标的数据特征,进而利用该特征制定出各指标的隶属度函数,实现对MIS的评价。每种特性的理论分析和应用示例表明了该方法具有良好的适应性。 网络结构—抗体通过相互作用构成的网络。应用目标就是使网络经过“学习”后,能够反映原始数据组所包含的模式类及各个模式类的聚类核,即各个模式类的特征值[3]。 模型使用形态空间理论,所有的免疫事件都在这个形态空间里发生,在数学上,抗原和抗体都表示为一个L文的向量或长度为L的串,而它们之间的联系可以表示为一个连通图。与网络模型一样, 在这个模型中,抗体和抗原,或者抗体和抗体之间的相似程度表示为它们之间的几何距离、抗体和抗原之间的亲和力与相似程度成反比。http://www.youerw.com/
在模型中通过竞争获取生存的权利,竞争通过亲和力来衡量,与抗原亲和力抗体通过克隆选择原理进行克隆分裂,那些亲和力过低的抗体就会被消除。另外,抗体与抗体之间的识别会产生网络的抑制,在这个模型中,抑制机制通过消除那些识别自我的抗体来实现,也就是那些彼此太相似的抗体。整个模型通过一定的学习和调整机制最终留下一些记忆节点,这些节点表示训练数据的压缩形式。记忆节点的数量与训练集合的特性和抑制阈值δts 有关。 网络的输出可以被看做一个记忆抗体集合 Ab{m}和一个亲和力矩阵S,其中,记忆抗体集合抗体矩阵就是数据的压缩形式,而S决定网络中各个抗体之间的联系[5]。利用这些记忆抗体,能识别所有的抗原,它涵盖了抗原数据的所有特征。以这些抗体作为聚类中心,它所能识别的抗原是一个聚类。 MIS的人工免疫网络的动态聚类算法把现行行业中热销的MIS的评价指标属性数据视为抗原,把聚类中心看做免疫系统中的抗体,数据对象的聚类过程就是免疫系统不断地产生抗体,识别抗体,产生出可以捕获抗原的最佳抗体过程,最后,生成的抗体集合则作为聚类结果[6]。通过仿真实验发现, 该算法能够极大地减少数据冗余,且生成的抗体集合能够反映数据集的结构特征。因此,本文利用该算法来求解聚类可行解。