14、基于网格和离群点检测的数据聚类分类及散射中心提取算法对比

基于网格和离群点检测的数据聚类分类及散射中心提取算法对比

1. 基于网格和离群点检测的数据聚类分类（GODDCC）

• GODDCC 实现
  • 为模拟 GODDCC，使用 HLA（高级体系结构）中间件规范和 RTI（运行时基础设施）实现开发了一个网格测试平台。
  • GODDCC 联邦包含一个速率重新调整联邦成员、三个代理和十二个训练联邦成员。联邦成员间的数据管理通过 RTI 消息传递，依赖于联邦内部的成员间通信。
  • 平台设置上，使用在 Windows 操作系统上运行的 RTI 实现开发网格系统。十六个联邦成员分别分配到四台机器上，并通过 10 Base T 以太网网络连接。使用的分类数据集是 GPCR 数据，它在信号转导的受体 - 配体相互作用中很重要，在现代生物学中占据重要地位。数据控制器代理和数据训练机器依赖于组件内部的组件间通信。

• 实验 1：DCC 处理时间平均值对比

  • 该实验对比了反向传播神经网络、SVM、使用 ART1 的 DCC 模型和使用 ART1 的 ODDCC 模型的 DCC 时间平均值。
  • DCC 平均时间是学习时间和测试时间总和除以数据迭代次数。当聚类率和迭代次数增加时，DCC 平均时间减少。
  • 在所有迭代次数和聚类率下，使用 ART1 的 ODDCC 模型的处理时间平均值低于使用 ART1 的 DCC 模型、SVM 和反向传播神经网络。这表明使用 ART1 的 ODDCC 模型速度更快