基于目標(biāo)函數(shù)的模糊聚類算法關(guān)鍵技術(shù)研究.pdf

1、聚類分析是用數(shù)學(xué)方法來研究分類問題的一門學(xué)科，是統(tǒng)計(jì)模式識別中非監(jiān)督模式分類的一個(gè)重要分支，近二十年來得到了迅猛的發(fā)展。模糊聚類算法由于更能準(zhǔn)確描述模式間的不確定關(guān)系，已經(jīng)成為近年來研究的熱點(diǎn)。在眾多的模糊聚類算法中，文獻(xiàn)中研究最多、實(shí)際中應(yīng)用最廣的是基于目標(biāo)函數(shù)的模糊聚類算法，而且在圖像處理、模式識別、計(jì)算機(jī)視覺等許多領(lǐng)域中已經(jīng)獲得了成功的應(yīng)用，是目前最實(shí)用也是最受歡迎的算法之一。
　　 針對現(xiàn)有聚類分析算法在數(shù)據(jù)挖掘應(yīng)用中存

2、在的不完善甚至嚴(yán)重不足之處，本文結(jié)合粒子群全局優(yōu)化方法以及支持向量聚類算法，對傳統(tǒng)模糊聚類算法進(jìn)行較為系統(tǒng)的改造和創(chuàng)新，主要探討了模糊聚類算法目標(biāo)函數(shù)的定義以及改進(jìn)方法，提出了適合高維任意分布數(shù)據(jù)集的模糊聚類新算法，擴(kuò)展了聚類分析的應(yīng)用范圍，并構(gòu)造了一種新的模糊聚類有效性函數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的一系列有關(guān)模糊聚類分析的新思想和新方法都取得了良好的效果并在國家科技支撐計(jì)劃項(xiàng)目中得到了應(yīng)用。
　　 研究成果主要表現(xiàn)在以下幾個(gè)方

3、面：
　　 1.提出了一種改進(jìn)的可能性C均值聚類方法。該方法首先通過改進(jìn)PCM算法的目標(biāo)函數(shù)來計(jì)算數(shù)據(jù)模式的隸屬度矩陣和聚類中心完成粒子編碼，從而降低了算法對初始中心的敏感，避免聚類一致性問題，提高了聚類的精度；針對基于目標(biāo)函數(shù)的模糊聚類算法是一種局部搜索算法，引入粒子群優(yōu)化算法，使全局的尋優(yōu)能力大大提高，具有良好的搜索能力和聚類效果。
　　 2.提出了一種新的支持向量模糊聚類方法。該方法比起傳統(tǒng)聚類方法表現(xiàn)出較好的性能

4、，它通過對二次規(guī)劃問題的求解可以保證全局最優(yōu)解，而且能夠處理任意形狀數(shù)據(jù)集和劃分有重疊區(qū)域的聚類形狀，并且容易處理高維數(shù)據(jù)；實(shí)驗(yàn)結(jié)果驗(yàn)證了該設(shè)計(jì)方法的可行性和有效性。
　　 3.提出了一種基于密度函數(shù)的近似初始化方法。該方法主要解決針對大多數(shù)基于目標(biāo)函數(shù)的模糊聚類算法大都需要預(yù)先給定初始的聚類中心的問題。該方法通過利用樣本分布的密度函數(shù)來確定聚類中心，仿真實(shí)驗(yàn)表明該方法不僅對高維的大數(shù)據(jù)集能取得良好的聚類效果，而且計(jì)算量也得到了