基于改進(jìn)聚類算法的數(shù)據(jù)挖掘系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、聚類之于數(shù)據(jù)挖掘就是對數(shù)據(jù)集中的數(shù)據(jù)應(yīng)用某種方法進(jìn)行分組，把具有相似性質(zhì)的事情區(qū)分加以分類。聚類算法在數(shù)據(jù)挖掘算法中占有重要的一席之地，它被廣泛的應(yīng)用于各個(gè)領(lǐng)域，例如模式識別，模糊控制等等，因此越來越多的聚類方式被提出和深入研究。聚類算法通常被分為5類，有基于層次的聚類，基于劃分的聚類，基于密度的聚類，基于模糊的聚類。
　　模糊K-Means聚類算法于1981年由Beadek提出，它是一個(gè)基于劃分的聚類算法，因?yàn)槠湫矢撸蓴U(kuò)展性

2、強(qiáng)，收斂速度快，被廣泛的應(yīng)用在數(shù)據(jù)挖掘中。但是算法中也存在一些問題：聚類中心的選擇，和假定各維特征權(quán)值相同。
　　在本文中，提出了一種改進(jìn)的模糊 K-Means算法。初始聚類中心的選擇基于平均距離，算法主體加入了權(quán)重的思想，權(quán)重代表不同維度對劃分的貢獻(xiàn)不同，它考慮到整個(gè)數(shù)據(jù)集，數(shù)據(jù)的一個(gè)維度（屬性值）的權(quán)值可以被當(dāng)做對分類的貢獻(xiàn)大小，貢獻(xiàn)大的屬性權(quán)值較大，反之較小。權(quán)重可以加快聚類過程，并得到更好的聚類結(jié)果。
　　BIRCH

3、算法是一種基于層次的聚類算法。它利用聚類特征(CF)，和聚類特征樹(CF Tree)兩個(gè)概念來描述算法過程。文章里分析了BIRCH算法的存在的一些問題，提出了基于密度和動態(tài)閾值的任意形狀的聚類算法。算法將密度和閾值綜合考慮，并在過程中動態(tài)改變閾值 T以適應(yīng)數(shù)據(jù)集特征的改變。算法的復(fù)雜度基本和BIRCH算法持平，但是在內(nèi)存控制上由于動態(tài)控制了CF樹，減少了消耗，任意形狀的數(shù)據(jù)集也能接近DBSCAN的聚類結(jié)果。
　　在軟件和信息技術(shù)服