基于模糊集合理論的聚類算法研究與應(yīng)用.pdf

1、聚類分析是數(shù)據(jù)挖掘的重要分支之一，引入模糊集合理論的模糊聚類分析為現(xiàn)實數(shù)據(jù)提供了模糊處理能力，在許多領(lǐng)域被廣泛應(yīng)用。在本文中，詳細地分析了被廣泛使用的DBSCAN聚類算法和K-means聚類算法的原理及其優(yōu)缺點。在介紹了模糊集合的基本理論知識之后總結(jié)了模糊聚類的原則和通用的方法，并詳細分析FCM算法的特點。
　　FCM算法是目前廣泛應(yīng)用的模糊聚類算法，但由于該算法是以c-均值（也即K-means算法）算法為基礎(chǔ)，因此FCM算法也具

2、有與c-均值算法類似的缺點，對初始聚類中心的依賴性比較強。若初始聚類中心取值不當，則算法的目標函數(shù)可能收斂到局部極小值，得不到最佳的聚類結(jié)果，有時甚至是錯誤的聚類結(jié)果。為了改進聚類算法的性能，避免算法因初始值的影響而收斂到局部極小值的問題本文針對聚類算法所要處理的數(shù)據(jù)特征，提出一種非線性投影尋蹤方法用來確定初始聚類中心使算法收斂速度更加快速，聚類結(jié)果更加可靠。投影尋蹤是一種線性的數(shù)據(jù)降維方法。本文中所述的非線性投影尋蹤是一種改進的非線性