模糊C-均值算法改進(jìn)研究.pdf

1、隨著計(jì)算機(jī)技術(shù)和數(shù)據(jù)庫(kù)技術(shù)的飛速發(fā)展，數(shù)據(jù)挖掘技術(shù)的應(yīng)用越來(lái)越廣泛。聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一個(gè)十分活躍的研究方向，對(duì)它進(jìn)行深入研究不僅有著重要的理論意義，而且有著巨大的工程應(yīng)用價(jià)值。聚類就是將數(shù)據(jù)對(duì)象分組為多個(gè)簇，在同一個(gè)簇中的對(duì)象相似度較高，而不同簇中的對(duì)象相異度較大。目前，聚類分析已經(jīng)廣泛地應(yīng)用于模式識(shí)別、數(shù)據(jù)挖掘、圖像處理及機(jī)器學(xué)習(xí)等領(lǐng)域。
　　 與傳統(tǒng)的聚類算法相比，模糊聚類建立起了樣本對(duì)于類別的不確定性描述，更能夠客

2、觀地反映現(xiàn)實(shí)世界，漸漸成為聚類分析的主流。在眾多的模糊聚類算法中，模糊C-均值聚類算法（FCM）是當(dāng)前最受歡迎的一種算法。但是，該算法存在著對(duì)初始聚類中心敏感、事先需要知道聚類數(shù)目、收斂速度慢的缺陷。
　　 本文詳細(xì)介紹了各種傳統(tǒng)聚類算法及其關(guān)鍵技術(shù)，并對(duì)幾種常用算法的性能作了比較；分別描述了硬C-均值聚類算法和模糊C-均值聚類算法，并詳細(xì)地研究和分析了模糊C-均值聚類算法的各步驟；運(yùn)用分階段聚類的思想對(duì)模糊C-均值聚類算法進(jìn)行