基于粒度分析原理的模糊聚類算法研究.pdf

1、聚類分析作為一種非監(jiān)督學習方法，是智能計算領(lǐng)域中一個重要的研究方向。同時，聚類技術(shù)也是一種數(shù)據(jù)挖掘中進行數(shù)據(jù)處理的重要分析工具和方法。隨著現(xiàn)代信息技術(shù)的飛速發(fā)展，聚類分析在機器學習、模式識別、數(shù)據(jù)挖掘、智能計算、信息檢索等很多領(lǐng)域中成為人們的研究熱點。聚類模型和聚類算法的設(shè)計是整個聚類分析過程中最關(guān)鍵的步驟，設(shè)計不同的聚類模型，就可以得到不同的聚類算法。目前出現(xiàn)的聚類算法主要有:基于層次的方法、基于劃分的方法、基于密度的方法、基于網(wǎng)格的

2、方法和基于模型的方法等。聚類分析本身隱含著粒度的思想，因此，近年來聚類算法與粒度分析原理相結(jié)合的研究引起了國內(nèi)外的廣泛關(guān)注。
　　本文介紹了聚類分析與信息粒度的基本概念和基礎(chǔ)知識，對聚類分析的典型算法及其基本思想進行了歸納、分析和研究。結(jié)合信息粒耦合度與貼近度測度，將粒度分析原理引入到聚類算法中，對模糊聚類算法做了進一步的研究，主要研究內(nèi)容包括：⑴基于最小平方誤差原理給出了一種信息粒耦合度測度與貼近度測度的定義，通過計算信息粒的耦

3、合度與貼近度，從不同的粒度空間對信息粒度的有效性進行評價。⑵在給定最大初始聚類個數(shù)的基礎(chǔ)上，通過基于確定類別數(shù)的最大最小距離算法構(gòu)造初始聚類中心，引入數(shù)據(jù)點到聚類中心的隸屬度對數(shù)據(jù)集進行聚類，應(yīng)用信息粒耦合度測度與貼近度測度對聚類結(jié)果進行評價，采用模糊迭代方法得到較優(yōu)的聚類結(jié)果，同時也找出了最佳的聚類個數(shù)。⑶用IRIS標準測試數(shù)據(jù)集和模擬數(shù)據(jù)集分別對算法進行了比較實驗，其實驗結(jié)果表明本文提出的算法比傳統(tǒng)最大最小距離算法和模糊C均值聚類算