數(shù)據(jù)挖掘中模糊聚類算法的研究.pdf

1、數(shù)據(jù)挖掘，又稱數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)，是指從大型數(shù)據(jù)庫中提取隱含的、事先未知的、潛在有用的信息或模式。它融合了數(shù)據(jù)庫、人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等多個(gè)領(lǐng)域的理論和技術(shù)，是數(shù)據(jù)庫研究中的一個(gè)很有應(yīng)用價(jià)值的新領(lǐng)域。數(shù)據(jù)挖掘工具能對(duì)數(shù)據(jù)進(jìn)行深層次的分析，對(duì)未來的趨勢(shì)和行為進(jìn)行預(yù)測(cè)。聚類是數(shù)據(jù)挖掘中的一種典型的分析方法，是一個(gè)非?；钴S的研究領(lǐng)域。作為數(shù)據(jù)挖掘的重要方法之一，聚類是自動(dòng)地對(duì)物理或抽象對(duì)象分組，使其成為類似對(duì)象組成的多個(gè)簇的過程，當(dāng)把聚

2、類方法應(yīng)用于實(shí)際問題時(shí)，經(jīng)常會(huì)遇到數(shù)據(jù)不斷地變化、需要使用各種約束條件，以及如何更為有效地繼承數(shù)據(jù)挖掘過程和結(jié)果的問題。 對(duì)于模糊聚類目前所存在的對(duì)數(shù)據(jù)均勻收縮的問題，本文提出了改進(jìn)現(xiàn)有模糊聚類算法的一些方法。首先，針對(duì)模糊C均值算法(FCM)所存在的問題，以熵作為FCM算法的約束條件，實(shí)現(xiàn)了FCM的改進(jìn)算法，收到了較好的效果。實(shí)驗(yàn)表明，改進(jìn)后的算法表現(xiàn)出比FCM算法更好的性能。第二，采用了具有群體智能特征的蟻群算法對(duì)要進(jìn)行聚類

3、的原始數(shù)據(jù)集進(jìn)行預(yù)處理，把預(yù)處理得到的結(jié)果作為FCM算法的輸入，免去了FCM算法中聚類個(gè)數(shù)的初始化。這種方法主要是為了解決由于數(shù)據(jù)的自然分布形狀奇異而造成FCM算法的失效。另外，預(yù)處理策略借助了群體智能算法，它可以改善硬劃分所造成的聚類錯(cuò)誤，還會(huì)發(fā)現(xiàn)一些事先無法預(yù)計(jì)的分簇，從而增強(qiáng)了算法聚類的智能性。 本文主要研究了以上兩個(gè)方面的問題，對(duì)改進(jìn)模糊聚類算法所存在的問題做了一些有益的嘗試。實(shí)驗(yàn)表明，本文所改進(jìn)的算法是有效的，也是可行