模糊C均值聚類算法的研究與改進.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域最為重要的技術(shù)之一，也是學(xué)術(shù)界研究的熱點問題，至今已在理論和方法上取得了豐碩的研究成果，并在各個領(lǐng)域的數(shù)據(jù)分析中起到重要作用。在眾多的聚類算法中，基于劃分的K均值聚類算法最為經(jīng)典，應(yīng)用領(lǐng)域廣泛。模糊C均值算法屬于其中的一個變種，保持了其思想簡單易行的特點，時間復(fù)雜性接近線性，對大規(guī)模數(shù)據(jù)的挖掘具有高效性和伸縮性。
　　為了解決多維數(shù)據(jù)集中對象之間的基于歐式距離度量的相似性度量差別不是很明顯的問題，提出了基于變

2、異系數(shù)的模糊C均值聚類算法。算法采用變異系數(shù)加權(quán)的歐式距離，引入了基于最大距離選取質(zhì)心的方法初始化質(zhì)心，使用KNN距離之和的倒數(shù)作為對象的密度并過濾掉離群點和噪聲點，在高密度對象中選取最大距離的對象作為質(zhì)心，使用加權(quán)的歐式距離計算隸屬度矩陣并根據(jù)隸屬度更新質(zhì)心的位置。實驗結(jié)果表明該聚類方法比一般的模糊C均值方法聚類結(jié)果更好，實際效果優(yōu)于一般模糊C均值方法。
　　為了提高混合屬性數(shù)據(jù)集上的聚類精度問題，提出了一種基于加權(quán)模糊C均值的