CN103679539A - 多层次指标的投影寻踪动态聚类方法与装置 - Google Patents

Abstract

本公开涉及一种多层次指标的投影寻踪动态聚类方法与装置。该方法包括根据领域与目标的不同构建多层次评价指标体系；确定多层次评价指标体系中指标的权重；对实时元组数据中的噪声进行处理；基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。本公开可以快速、高效且客观地实现数据动态聚类。

Description

多层次指标的投影寻踪动态聚类方法与装置

技术领域

本公开涉及高维数据聚类技术领域，特别地，涉及一种多层次指标的投影寻踪动态聚类方法与装置。

背景技术

传统的统计模型多采用“假定-模拟-预测”这种证实性数据分析思路，这种分析思路难以适应千变万化的客观世界，无法真正找到数据的内在联系与规律，当它被用于高维、非线性、非正态分布数据预测建模时更难有好的效果。

农业方面的数据通常具有数量大、指标多层次、多维度等特点，如何对农业领域不同的数据进行科学有效地聚类与评价一直是个重点和难题。因为这些农业数据过于巨大，同时影响因素又过于繁多。如果简单的运用传统统计假设的方法，不但难以有效地对多层次高维度数据进行科学聚类与评价，而且随着时间的变化要进行大量的重复工作。

上世纪70年代以来，随着计算机技术的发展，国际统计界发展了一种投影寻踪技术（Projection Pursuit）。它采用的是“审视数据-模拟-预测”这样一种探索性数据分析（Exploratory Data Analysis）的新思路，其本质是寻找由高维数据投影到低维数据的特征投影方向，通过几个投影方向了解高维数据的分布、结构、联系等性质。投影寻踪这种新兴的统计方法适用于高维、非线性、非正态问题的分析和处理，因此，它一直引起国内外统计专家和信号处理学者的关注，已经被成功地应用于多个领域。

投影寻踪是分析高维数据的一类统计方法，其基本思想是将高维数据投影到低维子空间上进行聚类，通过分析低维空间数据点的变化特征来研究高维数据结构特征。但是，普通的投影寻踪聚类方法无法体现实际指标经验的重要性。同时传统的AHP（Analytic Hierarchy Process，层次分析法）存在评价主观性过重的问题，从而可能影响评价与选择。1981年，Friedman和Stuetzle提出了实现PPR（Projection PursuitRegression，投影寻踪回归）的多重平滑回归技术，但该方法计算复杂、编程困难，难以推广使用。

发明内容

本公开鉴于以上问题中的至少一个提出了新的技术方案。

本公开在其一个方面提供了一种多层次指标的投影寻踪动态聚类方法，其可以快速、高效且客观地实现数据动态聚类。

本公开在其另一方面提供了一种多层次指标的投影寻踪动态聚类装置，其可以快速、高效且客观地实现数据动态聚类。

根据本公开，提供一种多层次指标的投影寻踪动态聚类方法，包括：

根据领域与目标的不同构建多层次评价指标体系；

确定多层次评价指标体系中指标的权重；

对实时元组数据中的噪声进行处理；

基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；

基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

在本公开的一些实施例中，确定多层次评价指标体系中指标的权重的步骤包括：

采用层次分析法为各级指标赋予初步权重；

根据各级指标的初步权重计算综合评价指标的权重。

在本公开的一些实施例中，基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型的步骤包括：

对处理后的实时元组数据进行归一化处理；

利用指标的权重对归一化后的数据进行权重调整；

对权重调整后的数据进行线性投影；

基于线性投影的结果构造投影目标函数；

确定对各指标的投影方向向量和对投影目标函数的限定条件。

在本公开的一些实施例中，基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类的步骤包括：

随机产生多个单位向量，每个单位向量作为一条染色体；

针对每条染色体根据投影目标函数计算其适应度值；

根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

对父代群体中的染色体进行交叉与变异操作；

过滤掉不满足单位向量要求的交叉与变异后的染色体；

计算交叉与变异后的染色体的适应度值；

根据种群迭代次数和适应度值确定是否终止种群迭代；

如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

根据本公开，还提供了一种多层次指标的投影寻踪动态聚类装置，包括：

指标体系建立单元，用于根据领域与目标的不同构建多层次评价指标体系；

权重确定单元，用于确定多层次评价指标体系中指标的权重；

数据处理单元，用于对实时元组数据中的噪声进行处理；

模型建立单元，用于基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；

聚类处理单元，用于基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

在本公开的一些实施例中，权重确定单元包括：

各级指标权重赋值子单元，用于采用层次分析法为各级指标赋予初步权重；

综合指标权重计算子单元，用于根据各级指标的初步权重计算综合评价指标的权重。

在本公开的一些实施例中，模型建立单元包括：

归一化子单元，用于对处理后的实时元组数据进行归一化处理；

权重调整子单元，用于利用指标的权重对归一化后的数据进行权重调整；

线性投影子单元，用于对权重调整后的数据进行线性投影；

投影目标函数构造子单元，用于基于线性投影的结果构造投影目标函数；

限定条件确定子单元，用于确定对各指标的投影方向向量和对投影目标函数的限定条件。

在本公开的一些实施例中，聚类处理单元包括：

父代选取子单元，用于随机产生多个单位向量，每个单位向量作为一条染色体，针对每条染色体根据投影目标函数计算其适应度值，根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

交叉与变异处理子单元，用于对父代群体中的染色体进行交叉与变异操作，过滤掉不满足单位向量要求的交叉与变异后的染色体，计算交叉与变异后的染色体的适应度值；

迭代判断子单元，用于根据种群迭代次数和适应度值确定是否终止种群迭代，如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

在本公开的技术方案中，通过有效地结合层次分析法、投影寻踪和遗传算法，使得数据的动态聚类更快速、高效且客观。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分。在附图中：

图1是本公开一个实施例的多层次指标的投影寻踪动态聚类方法的流程示意图。

图2是本公开另一实施例的多层次指标的投影寻踪动态聚类方法的流程示意图。

图3是本公开一个实施例的多层次指标的投影寻踪动态聚类装置的结构示意图。

具体实施方式

下面将参照附图描述本公开。要注意的是，以下的描述在本质上仅是解释性和示例性的，决不作为对本公开及其应用或使用的任何限制。除非另外特别说明，否则，在实施例中阐述的部件和步骤的相对布置以及数字表达式和数值并不限制本公开的范围。另外，本领域技术人员已知的技术、方法和装置可能不被详细讨论，但在适当的情况下意在成为说明书的一部分。

本公开是鉴于上述技术问题而产生的，其目的在于克服现有技术的不足之处，通过有效的结合AHP、投影寻踪和遗传算法等优点，提出了一种基于遗传算法的多层次指标的投影寻踪动态聚类的技术方案，可以快速、高效、客观的实现数据动态聚类。

图1是本公开一个实施例的多层次指标的投影寻踪动态聚类方法的流程示意图。

如图1所示，该实施例可以包括以下步骤：

S102，根据领域与目标的不同构建多层次评价指标体系；

举例说明，假设该评价指标体系的一级评价指标可以包括三个Z1、Z2和Z3，针对Z1，其二级评价指标可以包括Z11、Z12和Z13；针对Z2，其二级评价指标可以包括Z22和Z23；针对Z3，其二级评价指标可以包括Z31、Z32、Z33和Z34。以此类推，根据领域与目标，可以构建两层或两层以上的评价指标体系。

S104，确定多层次评价指标体系中指标的权重；

具体地，根据每级评价指标的个数确定该级评价指标权重向量的维数，再将各级评价指标对应相乘，例如，一级的第一个指标的权重与后续级别中自一级演变出的指标的权重分别相乘，得出最终的综合评价指标的权重。

S106，对实时元组数据中的噪声进行处理；

具体地，如果多组元组数据中的某个或某些指标的空缺值个数较多，则认为该条数据流为噪声，并将该条数据流过滤掉，否则，利用相应指标的非空缺值的平均值填补到相应指标的空缺值位置。

S108，基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型。

S110，基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

需要指出的是，步骤S104与步骤S106可以并行执行。

在该实施例中，通过有效地结合层次分析法、投影寻踪和遗传算法，使得数据的动态聚类更快速、高效且客观。

进一步的，在步骤S104中确定多层次评价指标体系中指标的权重的步骤可以包括：

采用层次分析法为各级指标赋予初步权重；

根据各级指标的初步权重计算综合评价指标的权重。

进一步地，在步骤S108中基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型的步骤可以包括：

对处理后的实时元组数据进行归一化处理；

利用指标的权重对归一化后的数据进行权重调整；

对权重调整后的数据进行线性投影；

基于线性投影的结果构造投影目标函数；

确定对各指标的投影方向向量和对投影目标函数的限定条件。

进一步地，在步骤S110中，基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类的步骤可以包括：

随机产生多个单位向量，每个单位向量作为一条染色体；

针对每条染色体根据投影目标函数计算其适应度值；

根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

对父代群体中的染色体进行交叉与变异操作；

过滤掉不满足单位向量要求的交叉与变异后的染色体；

计算交叉与变异后的染色体的适应度值；

根据种群迭代次数和适应度值确定是否终止种群迭代；

如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

接下来，结合图2对上述实施例中的步骤做进一步的解释与说明。

在步骤S104中，可以假设该体系中包括两级指标，需要指出的是，并不限于两级指标，还可以包括更多级的指标。步骤S104具体可以包括：

采用AHP法赋予初步权重：

设一级评价指标的权重为：

W={w_m},m=1,2,...,M;w_m≥0，且M为正整数；

其中，W表示一级指标权重集，w_m表示第m个一级指标的权重值；

二级评价指标在各自一级评价指标中的权重为：

W_m={w_mn},m=1,2,...M;n=1,2,...k_m;w_mn≥0，且

其中，W_m表示第m个一级指标中的二级指标权重集，w_mn表示在第m个一级指标中第n个二级指标的权重值。

二级评价指标对目标层的综合评价指标的权重为：

W_mn={b_j}={w_m×w_mn}，m=1,2,...M；

n=1,2,...k_m;j=1,2,...p;p=k₁+k₂+...+k_M;x_j≥0，且

其中，W_mn表示二级指标对目标层的权重集，b_j表示第j个二级指标对目标层的权重值。

进一步地，步骤S106可以包括：

对实时元组数据序列进行异常值和空缺值的处理。如果所有元组数据中某个指标的空缺值个数超过元组个数的1/3，则认为该条实时数据流是噪声，直接过滤；反之，将为空缺值的指标的实时数据补充为所有元组中该指标所有取值的平均值。

进一步地，步骤S108可以包括：

假设第i个实时元组数据的第j个指标数据为

其中q为被评价的元组个数，p为指标个数，则建立投影寻踪聚类的步骤如下：

步骤一，对元组数据进行归一化处理：对正性指标（例如，水的利用率、投入产出比等为正性指标）按越大越优的方法处理，对负性指标（例如，污染指数等）按越小越优的方法处理；其中，

正性指标处理方法为： $x_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}^{*}-\min \left(x_{\mathrm{ij}}^{*}\right)}{\max \left(x_{\mathrm{ij}}^{*}\right)-\min \left(x_{\mathrm{ij}}^{*}\right)};$

负性指标处理方法为： $x_{\mathrm{ij}}=\frac{\max \left(x_{\mathrm{ij}}^{*}\right)-x_{\mathrm{ij}}^{*}}{\max \left(x_{\mathrm{ij}}^{*}\right)-\min \left(x_{\mathrm{ij}}^{*}\right)};$

步骤二，对上述归一化处理后的数据进行初步权重调整：

结合步骤S104中利用AHP法求得的各项指标的初步权重对归一化后的数赋以不同的权重值，即，x′_ij=b_jx_ij；

步骤三，线性投影：

设a=(a₁ a₂ a₃...a_p)为p维单位向量，即各指标的投影方向向量，

则第i个元组在一维线性空间的投影特征值z_i的表达式为： $z_i=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j\×{x^{\′}}_{\mathrm{ij}};$

步骤四，构造投影目标函数：

将目标函数Q(a)定义为类间距离S(a)与类内密度D(a)的乘积：Q(a)=S(a)×D(a)；

类间距离S(a)用元组数据序列的投影特征值标准差计算：

$S\left(a\right)={[\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{(z_i-\stackrel{\‾}{z})}^2/q]}^{1/2}$

其中

为所有元组在投影方向上的投影特征值的均值，S(a)越大，类与类之间的分散度越大，越能充分体现各类数据的不同特征；设任意两个元组数据k,l间的投影值之差的绝对值为：

r_kl=|z_k-z_l|，k=1,2,3...q;l=1,2,3...q，

则类内密度为：

$D\left(a\right)=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}\underset{l=1}{\overset{q}{\mathrm{\Σ}}}(R-r_{\mathrm{kl}})f(R-r_{\mathrm{kl}})$

其中，

（1）r_kl越小，则类内密度越大；反之，则类内密度越小；

（2）R为密度窗宽参数，其取值可以为R=(max(r_kl)+p)/2；

（3）f(R-r_kl)为单位阶跃函数，当R>r_kl时，f(R-r_kl)=1，否则f(R-r_kl)=0；

步骤五，优化投影方向：

通过求解投影目标函数最大化问题来寻找最佳投影方向向量a：

obj：maxQ(a)=S(a)×D(a)

$s.t.:\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j^2=1,(0\≤a_j\≤1).$

进一步地，在步骤S110中，可以通过如下遗传算法求解上述投影目标函数中的投影方向向量a：

步骤一，染色体编码：

用随机实数对投影方向的向量a=(a₁ a₂ a₃...a_p)进行编码，即，用随机实数生成投影方向向量a=(a₁ a₂ a₃...a_p)，该向量被称为一个染色体或一个个体，且该向量满足： $\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j^2=1,(0\≤a_j\≤1);$

步骤二，初始化群体：

根据步骤一的准则随机产生N条染色体组成初始群体，并根据投影目标函数计算初始群体中每条染色体的适应度值fit=Q(a)=S(a)×D(a)；

步骤三，进行复制操作：

在当前群体中按一定规则选择一些染色体作为繁殖后代的父代，规则为：适应度值大的个体，这些个体被选中的概率大，有着更多的繁殖后代的机会，使优良性得以遗传；

步骤四，进行交叉操作：

按照交叉概率pc，将父代群体中随机选中的父代进行交叉，以改善种群；

例如，在两条染色体a=(a₁ a₂ a₃...a_p)和a'=(a′₁ a′₂ a′₃...a′_p)之间进行片段交叉后成为：a=(a₁ a₂ a′₃...a′_p)和a'=(a′₁ a′₂ a₃...a_p)；

步骤五，进行变异操作：

变异过程能使旧的基因得以继承下来，同时产生新的基因，从而可以避免复制交叉的过早收敛，它是针对某一染色体中某个基因在繁殖过程中是否发生转变；

例如，染色体进行元素的变化，例如，a=(a₁ a₂ a₃...a_p)变异为a=(a₁a₂a₃...a'_p)。

步骤六：判断是否满足终止准则：

例如，可以根据种群迭代次数和适应度值的限制判断是否终止当前的种群迭代。

其中，种群迭代次数指的是变异和交叉的次数，也就是说，迭代一次，就要求交叉和变异各一次，这个迭代次数可以根据实际情况调整，迭代次数越多，运算时间越长，运算结果一般越好。适应度值就是目标函数中的目标值fit。如果在迭代次数还没到你设定的数值，但是运算结果已经是我们非常满意的时候（即，满足适应度值的要求），则可以通过设定适应度值来终止种群的迭代。如果迭代次数与适应度值均不满足终止条件，则继续转步骤三，在当前群体中根据适应度值选取新的父代，直至迭代结束。

在迭代结束后，在当前群体中选择与最大适应度值对应的染色体作为输出结果。即，得出了所有实时元组数据中各类指标的聚类情况。

本公开基于遗传算法的多层次指标的投影寻踪动态聚类的方法按照一定的规则和标准对元组数据进行分类，投影寻踪聚类是以类内之间具有较大的密度集而类间具有相对大的散开度为目标来寻找最优的一维投影方向向量（即，最佳权重），并根据每个数据元组相应的综合投影特征值对其进行综合评价，由此能更加快速、高效、客观的实现数据动态聚类。

本领域普通技术人员可以理解，实现上述方法实施例的全部和部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算设备可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质可以包括ROM、RAM、磁碟和光盘等各种可以存储程序代码的介质。

图3是本公开一个实施例的多层次指标的投影寻踪动态聚类装置的结构示意图。

如图3所示，该实施例中的装置30可以包括指标体系建立单元302、权重确定单元304、数据处理单元306、模型建立单元308和聚类处理单元310。其中，

指标体系建立单元302，用于根据领域与目标的不同构建多层次评价指标体系；

权重确定单元304，用于确定多层次评价指标体系中指标的权重；

数据处理单元306，用于对实时元组数据中的噪声进行处理；

模型建立单元308，用于基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；

聚类处理单元310，用于基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

在该实施例中，通过有效地结合层次分析法、投影寻踪和遗传算法，使得数据的动态聚类更快速、高效且客观。

进一步地，权重确定单元包括各级指标权重赋值子单元和综合指标权重计算子单元，其中，

各级指标权重赋值子单元，用于采用层次分析法为各级指标赋予初步权重；

综合指标权重计算子单元，用于根据各级指标的初步权重计算综合评价指标的权重。

进一步地，模型建立单元包括归一化子单元、权重调整子单元、线性投影子单元、投影目标函数构造子单元和限定条件确定子单元，其中，

归一化子单元，用于对处理后的实时元组数据进行归一化处理；

权重调整子单元，用于利用指标的权重对归一化后的数据进行权重调整；

线性投影子单元，用于对权重调整后的数据进行线性投影；

投影目标函数构造子单元，用于基于线性投影的结果构造投影目标函数；

限定条件确定子单元，用于确定对各指标的投影方向向量和对投影目标函数的限定条件。

进一步地，聚类处理单元包括父代选取子单元、交叉与变异处理子单元和迭代判断子单元，其中，

父代选取子单元，用于随机产生多个单位向量，每个单位向量作为一条染色体，针对每条染色体根据投影目标函数计算其适应度值，根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

交叉与变异处理子单元，用于对父代群体中的染色体进行交叉与变异操作，过滤掉不满足单位向量要求的交叉与变异后的染色体，计算交叉与变异后的染色体的适应度值；

迭代判断子单元，用于根据种群迭代次数和适应度值确定是否终止种群迭代，如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同和相似的部分可以相互参见。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处可以参见方法实施例部分的说明。

虽然已参照示例性实施例描述了本公开，但应理解，本公开不限于上述的示例性实施例。对于本领域技术人员显然的是，可以在不背离本公开的范围和精神的条件下修改上述的示例性实施例。所附的权利要求的范围应被赋予最宽的解释，以包含所有这样的修改以及等同的结构和功能。

Claims (8)

1.一种多层次指标的投影寻踪动态聚类方法，其特征在于，包括：

根据领域与目标的不同构建多层次评价指标体系；

确定多层次评价指标体系中指标的权重；

对实时元组数据中的噪声进行处理；

基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；

基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

2.根据权利要求1所述的多层次指标的投影寻踪动态聚类方法，其特征在于，所述确定多层次评价指标体系中指标的权重的步骤包括：

采用层次分析法为各级指标赋予初步权重；

根据各级指标的初步权重计算综合评价指标的权重。

3.根据权利要求1所述的多层次指标的投影寻踪动态聚类方法，其特征在于，所述基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型的步骤包括：

对处理后的实时元组数据进行归一化处理；

利用指标的权重对归一化后的数据进行权重调整；

对权重调整后的数据进行线性投影；

基于线性投影的结果构造投影目标函数；

确定对各指标的投影方向向量和对投影目标函数的限定条件。

4.根据权利要求1所述的多层次指标的投影寻踪动态聚类方法，其特征在于，所述基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类的步骤包括：

随机产生多个单位向量，每个单位向量作为一条染色体；

针对每条染色体根据投影目标函数计算其适应度值；

根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

对父代群体中的染色体进行交叉与变异操作；

过滤掉不满足单位向量要求的交叉与变异后的染色体；

计算交叉与变异后的染色体的适应度值；

根据种群迭代次数和适应度值确定是否终止种群迭代；

如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

5.一种多层次指标的投影寻踪动态聚类装置，其特征在于，包括：

指标体系建立单元，用于根据领域与目标的不同构建多层次评价指标体系；

权重确定单元，用于确定多层次评价指标体系中指标的权重；

数据处理单元，用于对实时元组数据中的噪声进行处理；

模型建立单元，用于基于处理后的实时元组数据和指标的权重建立投影寻踪聚类模型；

聚类处理单元，用于基于遗传算法和投影寻踪聚类模型对处理后的实时元组数据实现投影寻踪动态聚类。

6.根据权利要求5所述的多层次指标的投影寻踪动态聚类装置，其特征在于，所述权重确定单元包括：

各级指标权重赋值子单元，用于采用层次分析法为各级指标赋予初步权重；

综合指标权重计算子单元，用于根据各级指标的初步权重计算综合评价指标的权重。

7.根据权利要求5所述的多层次指标的投影寻踪动态聚类装置，其特征在于，所述模型建立单元包括：

归一化子单元，用于对处理后的实时元组数据进行归一化处理；

权重调整子单元，用于利用指标的权重对归一化后的数据进行权重调整；

线性投影子单元，用于对权重调整后的数据进行线性投影；

投影目标函数构造子单元，用于基于线性投影的结果构造投影目标函数；

限定条件确定子单元，用于确定对各指标的投影方向向量和对投影目标函数的限定条件。

8.根据权利要求5所述的多层次指标的投影寻踪动态聚类装置，其特征在于，所述聚类处理单元包括：

父代选取子单元，用于随机产生多个单位向量，每个单位向量作为一条染色体，针对每条染色体根据投影目标函数计算其适应度值，根据适应度值在多条染色体中选出设定条数的染色体作为繁衍后代的父代；

交叉与变异处理子单元，用于对父代群体中的染色体进行交叉与变异操作，过滤掉不满足单位向量要求的交叉与变异后的染色体，计算交叉与变异后的染色体的适应度值；

迭代判断子单元，用于根据种群迭代次数和适应度值确定是否终止种群迭代，如终止种群迭代，则将迭代出的种群中与适应度值最大的单位向量作为最佳投影方向向量，否则继续根据适应度值选择繁衍后代的父代。

Images