基于特征點選擇的聚類算法研究與應(yīng)用.pdf

1、隨著全球信息量的爆炸式的增長，數(shù)據(jù)挖掘技術(shù)已成為新世紀(jì)計算機科學(xué)技術(shù)的研究熱點。聚類分析是數(shù)據(jù)挖掘的最主要的功能之一，聚類就是將數(shù)據(jù)對象分組為多個類或簇，在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。聚類分析主要解決的問題是如何在沒有先驗知識的前提下，實現(xiàn)滿足這種要求的聚簇的集合。到目前為止，人們提出了各種各樣數(shù)據(jù)挖掘的聚類算法，但這些算法僅適用于特定的應(yīng)用以及用戶，而且它們在理論和方法上還有待完善，甚至還有嚴(yán)重的不

2、足之處。K-means聚類算法在數(shù)據(jù)挖掘領(lǐng)域具有非常重要的應(yīng)用價值。但隨著應(yīng)用領(lǐng)域的拓展和新的問題需求，K-means本身存在的局限越來越突出。在應(yīng)用中聚類個數(shù)通常根據(jù)用戶視覺和使用方便性假定，但用戶往往不能準(zhǔn)確的確定聚類個數(shù)，聚類個數(shù)一旦確定在整個聚類過程中都不能更改，最終得到的簇的數(shù)目就是初始的聚類個數(shù)。并且初始聚類中心的選取不同也同樣會影響聚類算法的效果，因此用戶一般不會得到準(zhǔn)確的聚類。K-means算法這兩個重要缺點嚴(yán)重影響了它

3、在聚類算法中的應(yīng)用范圍。
　　 本文在分析了當(dāng)前各種聚類算法的思想和方法的同時，針對K-means算法存在的一些缺陷和不足，提出了基于特征點選擇的聚類算法CFPS( Clustering algorithm based on Feature Point Selection)。CFPS算法同樣也屬于劃分聚類算法，CFPS算法在聚類過程中引入了適應(yīng)度函數(shù)，算法根據(jù)對象間的距離和適應(yīng)函數(shù)的值進行聚類和調(diào)整聚類個數(shù)k，CFPS算法不用選

4、取初始聚類中心，算法開始時每個聚類對象自成一類，因此聚類結(jié)果穩(wěn)定，算法不會陷入局部最優(yōu)的聚類結(jié)果。實驗結(jié)果表明CFPS聚類算法在數(shù)據(jù)挖掘中與其它聚類算法相比，CFPS算法提高了聚類精度和效率。因此用戶可以方便地使用本文提出CFPS算法，不需要配置復(fù)雜的參數(shù)，并且能得到更好或一樣的結(jié)果
　　 聚類分析及相關(guān)技術(shù)在入侵檢測中的應(yīng)用是當(dāng)前入侵檢測研究的一個熱點，本文嘗試將CFPS聚類算法應(yīng)用于入侵檢測系統(tǒng)中，并使用KDD CUP199