數(shù)據(jù)挖掘中的動態(tài)聚類及增量研究.pdf

1、聚類分析(cluster analysis, CA)作為數(shù)據(jù)挖掘技術(shù)的一個重要分支，在近年來一直發(fā)展較快。聚類是一個將數(shù)據(jù)集按照某種相似準(zhǔn)則劃分為若干組或類的過程，并使得同一個組內(nèi)的數(shù)據(jù)對象具有較高的相似度，而不同組中的數(shù)據(jù)對象的差異則是盡可能大。隨著科技的發(fā)展，越來越多的增量型數(shù)據(jù)的分析成為人們的關(guān)注熱點，聚類分析技術(shù)能夠快速有效發(fā)現(xiàn)空間樣本的聚集情況，并能幫助人們發(fā)現(xiàn)群體空間密集和稀疏的結(jié)構(gòu)特征，對揭示空間樣本的分布規(guī)律，預(yù)測空間樣

2、本對象的發(fā)展趨勢有著重要的意義。
　　對于聚類分析這一數(shù)據(jù)挖掘技術(shù)，本文的研究內(nèi)容主要分為以下幾個部分：
　　首先，對于傳統(tǒng)的動態(tài)聚類方法K-means進行研究，針對其敏感于初始中心點選取的不足，提出了改進的基于高密度不唯一和均值半徑的新方法。該方法通過使用均值半徑選取出高密度樣本，然后在高密度樣本中通過對全局中心的距離度量，選取合適的樣本作為初始中心點，使初始中心點具有局部代表性，有效的提高了聚類的質(zhì)量。
　　其次，

3、對于K-means算法無法預(yù)先確定簇的個數(shù)k這一不足，在基于高密度初始中心點選取的方法基礎(chǔ)上，結(jié)合有效性評價指標(biāo)，對不同的k值所對應(yīng)的聚類結(jié)果進行分析，發(fā)現(xiàn)聚類的最佳聚類簇的個數(shù)。
　　再次，針對模糊 C-均值聚類（FCM算法）的易陷于局部最優(yōu)的不足，本文對具有全局搜索性能的蟻群算法進行改進，在此基礎(chǔ)上，結(jié)合 FCM算法對增量數(shù)據(jù)集做出聚類操作，提高了FCM算法的有效性，并且對增量數(shù)據(jù)有著良好的聚類結(jié)果和聚類效率。
　　最后