數(shù)據(jù)挖掘中的聚類算法的研究及分析.pdf

1、隨著互聯(lián)網(wǎng)和電子商務(wù)的急速發(fā)展，需要處理的數(shù)據(jù)量也是急速增長。面對海量的數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，它涉及了機(jī)器學(xué)習(xí)、模式識(shí)別、統(tǒng)計(jì)學(xué)、人工智能等多門學(xué)科。數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)難度大，技術(shù)含量高，更注重于從海量數(shù)據(jù)中發(fā)現(xiàn)隱含的知識(shí)的可伸縮性。
　　聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一種重要的方法，而模糊C均值（FCM）聚類算法是聚類分析中應(yīng)用最為廣泛的算法，面對當(dāng)今海量的待聚類數(shù)據(jù)，F(xiàn)CM聚類算法的缺點(diǎn)尤為突出，主要表現(xiàn)為：數(shù)據(jù)量大時(shí)FCM算法

2、收斂速度較慢；聚類數(shù)目需要事先人為給定，具有很大的不確定性；對噪聲數(shù)據(jù)敏感，抗噪性能差。
　　針對FCM算法的以上缺點(diǎn)，本文就FCM聚類算法及改進(jìn)算法進(jìn)行了分析及結(jié)合?；谀：丶s束的FCM聚類算法，進(jìn)一步分析了加入相對熵約束的FCM聚類算法，該方法將相對熵作為調(diào)節(jié)函數(shù)加入目標(biāo)函數(shù)中，最大化不同類之間的相異度，而且具有對噪聲數(shù)據(jù)點(diǎn)分配低隸屬度值的能力，從而有效的抑制了噪聲數(shù)據(jù)對聚類中心的影響，并且加入相對熵系數(shù)?，用來調(diào)節(jié)相對熵的

3、重要程度，以適應(yīng)不同用戶的需求。同時(shí)，在此算法中加入了魏立梅提出的對手抑制式方法，加快了算法的收斂速度；此外，針對聚類數(shù)目需要事先人為給定的缺點(diǎn)，加入聚類有效性函數(shù)，實(shí)現(xiàn)了聚類數(shù)目的自動(dòng)優(yōu)選。
　　最后，將結(jié)合后的算法在MATLAB平臺(tái)上進(jìn)行仿真實(shí)現(xiàn)，數(shù)據(jù)集使用簡單數(shù)據(jù)集、二維數(shù)據(jù)集、三維數(shù)據(jù)集、IRIS數(shù)據(jù)集，并與傳統(tǒng)的FCM算法、基于模糊熵的FCM算法進(jìn)行比較。實(shí)驗(yàn)證明：結(jié)合后的FCM算法不但在抗噪性能方面有很大的提高，而且收