基于劃分和層次的聚類算法關鍵技術研究.pdf

1、隨著現(xiàn)代信息技術的發(fā)展,通過信息化的資源管理平臺,各個行業(yè)的管理以及運行效率有了大幅的提升。隨著這些信息系統(tǒng)的運行所帶來的海量的信息對于行業(yè)的管理者來說是非常重要的,因此數(shù)據(jù)挖掘技術得到了廣泛的關注。數(shù)據(jù)挖掘技術是指從大量的、復雜的、可能缺失的數(shù)據(jù)中揭示出隱含的、未知的并有潛在價值的信息的過程。聚類分析是數(shù)據(jù)挖掘中的一個重要方向,對其進行深入的研究有著重要的理論意義和實際的應用價值。聚類分析的本質(zhì)就是將一組物理或抽象的對象分組為若干個簇

2、,其結果是同一個簇的對象彼此相似,不同簇之間的對象彼此不相似。聚類分析已經(jīng)廣泛的應用于社會的各個領域,如數(shù)據(jù)分析、圖像處理、市場營銷等等。
　　聚類分析是一種無監(jiān)督的分類過程,它不需要事先給出分類標準。它通過數(shù)據(jù)本身的屬性出發(fā),分析數(shù)據(jù)的特征來自動的進行聚類。聚類算法可以分為五大類,分別為基于劃分的方法、基于層次的方法、基于網(wǎng)格的方法以及基于原型的方法。每一個種類的聚類算法只有在針對與之相適應的數(shù)據(jù)集的情況下,才能夠獲得比較理想的

3、聚類結果。
　　本文首先介紹了聚類分析的研究背景和意義,然后簡要的介紹了聚類分析的國內(nèi)外研究現(xiàn)狀以及每一種分類下的代表算法,并對這些算法的主要思想進行闡述。接著針對K-means算法的優(yōu)缺點進行了分析,并依據(jù)商空間理論提出了一種改進的K-means算法,解決了K-means算法對于初始中心不穩(wěn)定導致結果出現(xiàn)偏差的問題,并且解決了邊界點或噪聲點對于算法結果的影響。通過對比試驗表明新的算法具有更好的聚類精度。針對聚類算法在高維數(shù)據(jù)空間