本发明涉及数据挖掘技术领域，特别是涉及一种数据分类方法及系统。
背景技术：
随着大数据时代的带到来，数据量也呈指数级增长。大数据的挖掘成为了共同难题，为了高效处理和分析海量数据，挖掘出有用的信息，作为数据挖掘技术的聚类分析，得到了广泛的关注和研究。聚类分析是一种重要的无监督学习方法，聚类分析的目的是寻找隐藏在数据中的结构，并按照某种相似性度量，尽可能地使具有相同性质的数据归于同一类。
k-均值(k-means)算法是最广泛使用的一种聚类算法，具有简单、高效的特点，然而传统的k-means算法之类的聚类方法有两个明显的缺点：
(1)初始聚类中心随机选取。对于聚类算法来讲，初始的聚类中心至关重要，因为它是聚类结果的计算基础，下一次的聚类中心是根据前一个聚类中心更新得来的。所以如果初始中心是随机产生的，很难收敛到正确的结果，并且也十分的耗时。
(2)传统的k-means算法是基于梯度下降求解的算法，因此所得聚类结果几乎总是局部最优解。
因此很多研究人员结合智能算法对k-means聚类算法进行了改进，如赖玉霞提出利用遗传算法(geneticalgorithm，ga)对k-means进行优化，以求得到更好的解。但是由于遗传算法采用二进制编码，当样本数目、维数和类别数较大时，解的二进制编码长度非常长，基于ga的k-means算法会出现过早的收敛于局部最优的现象。针对ga的不足，刘靖明提出利用实数编码的粒子群算法(particleswarmoptimization，pso)优化k-means的聚类算法，实验证明pso优化的k-means算法聚类效果优于基于ga改进的k-means算法，但是pso在搜索过程主要是靠不断地追踪当前全局最优解和个体历史最优解来寻优的，所以粒子在算法迭代后期逐渐同质化，搜索空间压缩在较小区域，导致算法容易陷入局部极值，出现算法末期搜索精度不高的缺点。可见，改进后的k-means聚类算法仍然没有克服聚类结果容易陷入局部最优，而非全局最优的缺陷。
技术实现要素：
本发明的目的是提供一种数据分类方法及系统，通过采用杂交水稻算法来优化k-means初始聚类中心，解决了k-means聚类算法的聚类结果容易陷入局部最优，而非全局最优的缺陷。
为实现上述目的，本发明提供了如下方案：
一种数据分类方法，所述数据分类方法包括：
获取随机产生的水稻种群，所述水稻种群包括多个水稻个体；
获取待分类数据；
根据所述待分类数据计算每个所述水稻个体的适应度值；
根据所述适应度值将多个所述水稻个体分为保持系个体、不育系个体和恢复系个体；
获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体；
获取所述恢复系个体自交过程中产生的自交最优个体；
获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体；
将所述适应度值最优的个体作为聚类中心，对所述待分类数据进行分类。
可选的，所述获取随机产生的水稻种群，所述水稻种群包括多个水稻个体，具体包括：
根据公式
其中，
可选的，所述根据所述待分类数据计算每个所述水稻个体的适应度值，具体包括：
将第i个所述水稻个体的基因
根据公式
其中，fci为第i个所述水稻个体的适应度值，k为聚类个数，yi为第i个数据集
可选的，所述根据所述适应度值将所述多个水稻个体分为保持系个体、不育系个体和恢复系个体，具体包括：
按照所述适应度值从大到小的顺序对n个所述水稻个体进行排序，获得适应度值序列；
获取所述适应度值序列中的前m个所述水稻个体为所述保持系个体；
获取所述适应度值序列中的后m个所述水稻个体为所述不育系个体；
获取所述适应度值序列中剩余的n-2m个所述水稻个体为所述恢复系个体。
可选的，所述获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体，具体包括：
获取一个所述保持系个体作为杂交父本；
获取一个所述不育系个体作为杂交母本；
根据所述杂交父本和所述杂交母本获得杂交产生的杂交新个体；
获取所述杂交新个体的适应度值；
根据贪心算法将所述杂交父本、所述杂交母本和所述杂交新个体中适应度值最优的水稻个体保留至下一代，获得所述杂交最优个体。
可选的，所述获取所述恢复系个体自交过程中产生的自交最优个体，具体包括：
获取一个所述恢复系个体进行自交，获得自交产生的自交新个体；
获取所述自交新个体的适应度值；
根据贪心算法将所述恢复系个体和所述自交新个体中适应度值最优的水稻个体保留至下一代，获得所述自交最优个体。
本发明还提供一种数据分类系统，所述数据分类系统包括：
水稻种群获取模块，用于获取随机产生的水稻种群，所述水稻种群包括多个水稻个体；
待分类数据获取模块，用于获取待分类数据；
适应度值计算模块，用于根据所述待分类数据计算每个所述水稻个体的适应度值；
三系水稻获取模块，用于根据所述适应度值将多个所述水稻个体分为保持系个体、不育系个体和恢复系个体；
杂交最优个体获取模块，用于获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体；
自交最优个体获取模块，用于获取所述恢复系个体自交过程中产生的自交最优个体；
适应度值最优个体获取模块，用于获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体；
数据分类模块，用于将所述适应度值最优的个体作为聚类中心，对所述待分类数据进行分类。
可选的，所述水稻种群获取模块具体包括：
水稻种群获取单元，用于根据公式
其中，
可选的，所述适应度值计算模块具体包括：
数据分类单元，用于将第i个所述水稻个体的基因
适应度值计算单元，用于根据公式
其中，fci为第i个所述水稻个体的适应度值，k为聚类个数，yi为第i个数据集
可选的，所述三系水稻获取模块具体包括：
适应度值序列获取单元，用于按照所述适应度值从大到小的顺序对n个所述水稻个体进行排序，获得适应度值序列；
保持系个体获取单元，用于获取所述适应度值序列中的前m个所述水稻个体为所述保持系个体；
不育系个体获取单元，用于获取所述适应度值序列中的后m个所述水稻个体为所述不育系个体；
恢复系个体获取单元，用于获取所述适应度值序列中剩余的n-2m个所述水稻个体为所述恢复系个体。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种数据分类方法及系统，所述方法首先获取随机产生的水稻种群和待分类数据，所述水稻种群中包括多个水稻个体；然后根据所述待分类数据计算每个所述水稻个体的适应度值；根据所述适应度值将多个所述水稻个体分为保持系个体、不育系个体和恢复系个体；然后获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体；获取所述恢复系个体自交过程中产生的自交最优个体；获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体；最后将所述适应度值最优的个体作为聚类中心，对所述待分类数据进行分类。可见，本发明所述的数据分类方法及系统通过采用杂交水稻算法来优化k-means初始聚类中心，解决了k-means聚类算法的聚类结果容易陷入局部最优，而非全局最优的缺陷。与传统的优化算法相比，本文提出的数据分类方法及系统有效解决了k-means聚类算法对初始值的选取依赖性大的问题，为聚类中心的选择提供了一种新的有效的方法，具有寻优能力强、准确率高、不同数据集聚类效果差异性较小和参数依赖性较小的特点，并且减少了寻优过程的迭代次数，大大缩短了求解时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种数据分类方法的方法流程图；
图2为本发明提供的一种数据分类系统的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种数据分类方法及系统，通过采用杂交水稻算法来优化k-means初始聚类中心，解决了k-means聚类算法的聚类结果容易陷入局部最优，而非全局最优的缺陷。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
受杂交水稻(hybridrice)的育种方式启发而提出的杂交水稻算法是一种新的启发式进化计算方法，分为“三系法”杂交水稻算法和“二系法”杂交水稻。本文将“三系法”杂交水稻算法引入聚类算法中，可以优化聚类中心。
本发明提供了一种数据分类方法。图1为本发明提供的一种数据分类方法的方法流程图。参见图1，一种数据分类方法，包括：
步骤101：获取随机产生的水稻种群，所述水稻种群中包括多个水稻个体。
所述获取随机产生的水稻种群，所述水稻种群包括多个水稻个体，具体包括：
初始时刻，在解空间内随机生成n个所述水稻个体
其中，minxj表示搜索空间第j维分量的最小值，maxxj表示搜索空间第j维分量的最大值。
在初始化时，还应设置以下参数：水稻种群数n、最大育种次数maxiteration和最大自交次数maxtime。所述水稻种群数n、所述最大育种次数maxiteration和所述最大自交次数maxtime根据多次实验获得，取相对优的值，会得到更优的聚类结果。
步骤102：获取待分类数据。
所述待分类数据是用户数据库中的数据，或者是终端用户所存储使用的各种数据，是未经过处理或简化的数据，这些数据可能是也可能不是机器可读形式，它构成了物理存在的数据。所述待分类数据有多种存在形式，包括文本数据、图像数据、音频数据中的一种或多种。
步骤103：根据所述待分类数据计算每个所述水稻个体的适应度值。
首先，对于随机生成n个所述水稻个体
设计fitness函数作为评价指标，计算所述水稻种群个体的适应度，具体为：
将第i个所述水稻个体的基因
计算第i个所述水稻个体的适应度值。k-means以最终聚类结果中所有样本的离散平方误差总和为聚类好坏的判据，离散误差平方和数值越小代表聚类质量越高。而在最优解求解过程中，通常适应度函数越大代表解的质量越好，利用最小离散误差平方和准则，本发明定义所述适应度值的计算公式如下：
其中，fci为第i个所述水稻个体的适应度值，k为聚类个数，yi为第i个数据集
所述适应度值fci越大代表解的质量越好，即代表对应的所述水稻个体越优。
步骤104：根据所述适应度值将多个所述水稻个体分为保持系个体、不育系个体和恢复系个体。
“三系法”杂交水稻算法中，将适应度值作为每个个体基因的优劣，根据适应度值将种群从优到劣排序，其中较优的部分个体为保持系，次优的部分个体为恢复系，较劣的部分为不育系。定义所述水稻种群的种群数量为n，其中保持系、不育系占群体的比例均为m％，数量为m＝n×m/100，则恢复系占群体的比例为(100-2m)％，其中0<m<50。根据适应度值分配角色：根据适应度函数对种群排序，取较优的m个个体为保持系，取较差的m个个体为不育系，剩余的n-2m个个体为恢复系。
所述步骤104根据所述适应度值将所述多个水稻个体分为保持系个体、不育系个体和恢复系个体，具体包括：
求解n个所述水稻个体的适应度值，按照所述适应度值从大到小的顺序对n个所述水稻个体进行排序，获得适应度值序列；
获取所述适应度值序列中的前m个所述水稻个体为所述保持系个体；
获取所述适应度值序列中的后m个所述水稻个体为所述不育系个体；
获取所述适应度值序列中除所述保持系个体和所述不育系个体以外的n-2m个所述水稻个体为所述恢复系个体。
步骤105：获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体。
进行杂交行为的两个系为保持系与不育系，其育种过程是一个寻优的过程，而不是保持当前性状。杂交育种过程是一个进化过程，每次只更新种群中较差的个体而较好的个体不做处理。单一的杂交过程会使种群性状之间的差距越来越小，都向着较优的个体靠近，因此具有极佳的寻优能力。
对于每一次育种，杂交过程进行的次数与不育系的个体数量相同。每一次杂交，将从不育系和保持系中各选取一个个体作为父本母本，选取方式可以随机选取也可以按一一对映的方式选取。杂交的方式是将父本与母本对应位置的基因按照随机权重相加进行重组而得到一个拥有新的基因的个体。计算新个体的适应度，并以贪心算法为准则将其与其父本母本中的保持系个体对比，将适应度较优的个体保留至下一代。具体为：
获取一个所述保持系个体作为杂交父本；
获取一个所述不育系个体作为杂交母本；
根据所述杂交父本和所述杂交母本获得杂交产生的杂交新个体；
获取所述杂交新个体的适应度值；
根据贪心算法将所述杂交父本、所述杂交母本和所述杂交新个体中适应度值最优的水稻个体保留至下一代，获得所述杂交最优个体。
其中，所述根据所述杂交父本和所述杂交母本获得杂交产生的杂交新个体有以下两种方式：
①随机杂交
式中
②对映杂交
式中
杂交后对新产生的个体进行贪心算法选择。
若f(new_xp)＞f(xbp)，将new_xp取代xbp保留至下一代；
若f(new_xp)≤f(xbp)，则将xbp保留至下一代。
其中，new_xp表示该轮育种过程中第p次杂交产生的新个体，
步骤106：获取所述恢复系个体自交过程中产生的自交最优个体。
自交育种过程是一个群体搜索过程，每个个体都向着最优个体发展。育种过程中，自交进行的次数与恢复系的个体数量相同。每一次自交，参与自交的恢复系个体各个位置上的基因都会向着当前最优解靠近一个随机量。计算新的个体的适应度并根据贪心算法与自交之前的恢复系个体相比，选择较优的保存到下一代。若保存到下一代的个体为自交之前的个体那么该个体的自交次数将加1。如果保存到下一代的个体为自交产生的新个体，且新个体优于当前最优个体，则将其自交次数设置为0，否则保持其自交次数不变。
所述步骤106获取所述恢复系个体自交过程中产生的自交最优个体，具体包括：
获取一个所述恢复系个体进行自交，获得自交产生的自交新个体；
获取所述自交新个体的适应度值；
根据贪心算法将所述恢复系个体和所述自交新个体中适应度值最优的水稻个体保留至下一代，获得所述自交最优个体。
其中，所述获取一个所述恢复系个体进行自交，获得自交产生的自交新个体的公式为：
new_xp＝xsp+rand(0，1)(xbest-xsp)(5)
式中new_xp表示该轮育种过程中第p次自交产生的新个体，xsp为恢复系中的第sp个个体，其中sp随机取值于{1,2，…,n-2m}；xbest表示当前所找到的最优个体。
同样自交后对新产生的个体进行贪心算法选择。
若f(new_xp)＞f(xsp)将new_xp取代xsp保留至下一代，其自交次数保持不变；
若f(new_xp)≤f(xsp)则将xsp保留至下一代，其自交次数加1，即timesp＝timesp+1，timesp表示第sp次自交。
若f(new_xp)＞f(xbest)，则将new_xp取代当前的最优个体的记录，并将其自交次数设为0，即timesp＝0。
如果timesp≥maxtime，即该恢复系个体的自交次数达到了最大自交次数maxtime，则在下一代育种时，该个体不进行自交过程，而是进行重置过程。
自交和杂交的结合能够互补其不足并且平衡收敛性和搜索能力，但这两个行为均存在一个缺点：容易陷入局部最优。当种群的基因都进化为相同的值后，即使当前最优个体的基因距所求的最优解有较大差距，种群都不会随着育种次数增加而进化。此时重置行为发挥了作用，将多次未进化的恢复系替换为一个随机值，避免了当所有个体都相同是种群不再进化的局面。
重置过程实际上是自交过程的一个子过程，用来处理达到自交次数上限的恢复系个体。重置过程将在解空间内随机生成一组基因，并将这组基因加到参与重置的个体的基因上，同时其自交次数将被设置为0。
重置过程的计算公式如下：
其中，
步骤107：获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体。
获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体，记录当前所得到的适应度值最优的所述水稻个体的基因；
获取当前育种代数和设定的优化误差值；
若所述当前育种代数未达到所述最大育种代数maxiteration，且当前所得到的适应度值最优的所述水稻个体的适应度值大于所述优化误差值，则继续执行杂交和自交过程；
当所述当前育种代数达到所述最大育种代数maxiteration，或者当前所得到的适应度值最优的所述水稻个体的适应度值小于所述优化误差值，则将当前最优个体的基因作为结果输出。
步骤108：将所述适应度值最优的个体作为聚类中心，对所述待分类数据进行分类。
获取当前所得到的所述适应度值最优的所述水稻个体的基因，每个所述水稻个体的基因表示一组聚类中心解，适应度最优的水稻个体基因即最优的一组聚类中心解。因此将最优水稻个体的基因作为聚类中心，对所述待分类数据进行分类。
本发明提供的数据分类方法，首次将杂交水稻算法运用到聚类算法中实现聚类中心的优化，解决了k-means聚类算法的聚类结果容易陷入局部最优，而非全局最优的缺陷。杂交水稻的杂交、自交、重置操作，具有有寻优能力强、计算复杂度低、计算速度快、能跳出局部最优的能力，因此能提高k-means聚类算法的性能。与传统的优化算法相比，本文提出的数据分类方法有效解决了k-means聚类算法对初始值的选取依赖性大的问题，为聚类中心的选择提供了一种新的有效的方法，具有寻优能力强、准确率高、不同数据集聚类效果差异性较小和参数依赖性较小的特点，并且减少了寻优过程的迭代次数，大大缩短了求解时间。
本发明还提供了一种数据分类系统。图2为本发明提供的一种数据分类系统的系统结构图。参见图2，所述数据分类系统包括：
水稻种群获取模块201，用于获取随机产生的水稻种群，所述水稻种群中包括多个水稻个体；
待分类数据获取模块202，用于获取待分类数据；
适应度值计算模块203，用于根据所述待分类数据计算每个所述水稻个体的适应度值；
三系水稻获取模块204，用于根据所述适应度值将多个所述水稻个体分为保持系个体、不育系个体和恢复系个体；
杂交最优个体获取模块205，用于获取所述保持系个体和所述不育系个体杂交过程中产生的杂交最优个体；
自交最优个体获取模块206，用于获取所述恢复系个体自交过程中产生的自交最优个体；
适应度值最优个体获取模块207，用于获取所述杂交最优个体和所述自交最优个体中适应度值最优的个体；
数据分类模块208，用于将所述适应度值最优的个体作为聚类中心，对所述待分类数据进行分类。
其中，所述水稻种群获取模块201具体包括：
水稻种群获取单元，用于根据公式
其中，
水稻种群数获取单元，用于在初始化时获取所述水稻种群数n。
最大育种次数获取单元，用于在初始化时获取所述最大育种次数maxiteration。
最大自交次数获取单元，用于在初始化时获取所述最大自交次数maxtime。
所述适应度值计算模块203具体包括：
数据分类单元，用于将第i个所述水稻个体的基因
适应度值计算单元，用于根据公式
其中，fci为第i个所述水稻个体的适应度值，k为聚类个数，yi为第i个数据集
所述三系水稻获取模块204具体包括：
适应度值序列获取单元，用于按照所述适应度值从大到小的顺序对n个所述水稻个体进行排序，获得适应度值序列；
保持系个体获取单元，用于获取所述适应度值序列中的前m个所述水稻个体为所述保持系个体；
不育系个体获取单元，用于获取所述适应度值序列中的后m个所述水稻个体为所述不育系个体；
恢复系个体获取单元，用于获取所述适应度值序列中剩余的n-2m个所述水稻个体为所述恢复系个体。
所述杂交最优个体获取模块205具体包括：
杂交父本获取单元，用于获取一个所述保持系个体作为杂交父本；
杂交母本获取单元，用于获取一个所述不育系个体作为杂交母本；
杂交新个体获取单元，用于根据所述杂交父本和所述杂交母本获得杂交产生的杂交新个体；
杂交新个体适应度值计算单元，用于获取所述杂交新个体的适应度值；
杂交最优个体获取单元，用于根据贪心算法将所述杂交父本、所述杂交母本和所述杂交新个体中适应度值最优的水稻个体保留至下一代，获得所述杂交最优个体。
所述自交最优个体获取模块206具体包括：
自交新个体获取单元，用于获取一个所述恢复系个体进行自交，获得自交产生的自交新个体；
自交新个体适应度值计算单元，用于获取所述自交新个体的适应度值；
自交最优个体获取单元，用于根据贪心算法将所述恢复系个体和所述自交新个体中适应度值最优的水稻个体保留至下一代，获得所述自交最优个体。
本发明提供的数据分类系统，首次将杂交水稻算法运用到聚类算法中实现聚类中心的优化，解决了k-means聚类算法的聚类结果容易陷入局部最优，而非全局最优的缺陷。杂交水稻的杂交、自交、重置操作，具有有寻优能力强、计算复杂度低、计算速度快、能跳出局部最优的能力，因此能提高k-means聚类算法的性能。本发明提供的数据分类系统具有寻优能力强、准确率高、不同数据集聚类效果差异性较小和参数依赖性较小的特点，并且减少了寻优过程的迭代次数，大大缩短了求解时间。
本说明书中各个实施例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相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。