基于模糊聚類的增量式挖掘算法研究.pdf

1、聚類分析是數據挖掘的一個研究熱點.業(yè)已廣泛研究的模糊聚類算法,往往只適用于靜態(tài)數據集的聚類;對于動態(tài)數據集,新增數據后前期的聚類結果不再可靠,而運用此類算法重新聚類,勢必造成效率低下和計算資源浪費.針對上述問題,提出了基于模糊相似度的增量式聚類算法,并對基于C-均值和網格的增量式聚類算法進行了研究.基于模糊相似度的增量式聚類算法逐個考查新增數據,計算新增數據同已有聚類數據的相似程度,并和算法給定的閾值參數進行比較,直接得到和全部數據重新

2、聚類相同的結果,避免了對模糊相似度矩陣進行傳遞閉包等運算;通過最大樹聚類算法中最大樹的生成過程,證明了該算法和常用的最大樹法、傳遞閉包法等聚類算法等價,相關實驗也證實了算法的等價性.并且增量式算法的聚類效率有較大提高.同時,對基于C-均值和網格的聚類算法進行了改進研究,通過對傳統(tǒng)的C-均值融入先驗知識,以及利用網格將空間量化的思想,分別實現了基于先驗知識的增量式C-均值聚類算法和基于網格的增量式聚類算法.在大型數據庫的知識發(fā)現中,在數據