空間聚類分析的研究.pdf

1、聚類分析技術作為數(shù)據(jù)挖掘領域中的一個重要分支，在識別數(shù)據(jù)內(nèi)在結果方面扮演著極其重要的角色。聚類分析技術是一種無監(jiān)督的學習過程，其主要目的是將沒有標記的空間樣本數(shù)據(jù)劃分為有意義的組或簇。在某一組中，所有空間樣本數(shù)據(jù)在某種意義上彼此相似；而不同組之間的空間樣本數(shù)據(jù)差異較大。通過聚類分析技術能夠快速有效發(fā)現(xiàn)空間樣本的聚集情況，并能提取出空間樣本的群體空間結構特征，對揭示空間樣本的分布規(guī)律，預測空間樣本對象的發(fā)展趨勢有著重要的作用。
　　

2、對于數(shù)據(jù)挖掘領域中的聚類分析技術，本文的主要研究內(nèi)容分為如下幾個部分：
　　首先，從傳統(tǒng)的劃分式聚類算法入手，分析了傳統(tǒng)K-均值聚類算法的不足，針對傳統(tǒng)K-均值算法對初始聚類中心點敏感的不足，提出了基于密度期望的初始聚類中心點選取方案。該方案將處于密度期望區(qū)間內(nèi)相距最遠的k個樣本作為初始聚類中心，可有效降低K-均值算法對初始中心點的依賴，從而提高聚類結果的質(zhì)量。
　　其次，劃分式聚類算法中，針對有效聚類劃分數(shù)事先很難明確的不

3、足。對于傳統(tǒng)K-均值算法，在基于密度期望選取初始聚類中心點的基礎上，結合聚類有效性指標函數(shù)分析不同劃分數(shù)下的聚類結果，可有效確定最佳聚類數(shù)。
　　再次，利用人工蜂群算法的良好全局尋優(yōu)能力，并通過適應度排序選擇策略提高原有人工蜂群算法的性能。將優(yōu)化后的人工蜂群算法對模糊C-均值算法進行優(yōu)化，以克服傳統(tǒng)模糊C-均值算法對初始聚類中心點敏感的不足。
　　最后，空間不確定數(shù)據(jù)的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)由于更加符合客觀實際而逐漸成為近年研究