不確定性數(shù)據(jù)挖掘算法設(shè)計(jì).pdf

1、傳統(tǒng)的數(shù)據(jù)挖掘解決了海量數(shù)據(jù)貧乏知識(shí)的情況，但是傳統(tǒng)的數(shù)據(jù)挖掘只適合于準(zhǔn)確的數(shù)據(jù)，它沒有考慮到數(shù)據(jù)的不確定性，然而不確定性是客觀事物本身所固有的一種特性，數(shù)據(jù)挖掘如果沒有考慮到數(shù)據(jù)的不確定性，那么最后的挖掘結(jié)果可能是錯(cuò)誤的。隨著不確定性數(shù)據(jù)的增多，迫切需要針對(duì)于不確定性數(shù)據(jù)的數(shù)據(jù)挖掘。在不確定性數(shù)據(jù)上進(jìn)行挖掘的技術(shù)就是不確定性數(shù)據(jù)挖掘。在不確定性數(shù)據(jù)挖掘中，模糊不確定性數(shù)據(jù)的聚類分析研究和應(yīng)用最廣泛，模糊不確定性是指事物沒有明確的外延。

2、本文研究模糊聚類的 FCM算法并將其作用在圖像分割領(lǐng)域中進(jìn)行實(shí)驗(yàn)和分析。圖像分割本質(zhì)是把圖像中相似的像素聚為一類，不相似的像素分離，由于成像的誤差和人類視覺的特性造成圖像的模糊性，而且圖像分割需要一種自動(dòng)化的算法，聚類算法作為一種無(wú)監(jiān)督的算法可以很好地滿足這個(gè)需求，所以模糊聚類可以很好地作用于圖像分割領(lǐng)域中。FCM算法在圖像分割中的應(yīng)用很廣泛，但是它本身存在許多不足之處，比如計(jì)算量太大，速度慢，對(duì)初始值敏感，容易陷入局部極值，收斂性差，

3、迭代次數(shù)多，而且對(duì)于任何的數(shù)據(jù)和初始值，F(xiàn)CM算法總會(huì)給出一個(gè)結(jié)果，但是它卻無(wú)法判斷聚類結(jié)果的好壞。
　　針對(duì)FCM的這些缺點(diǎn)，本文提出了一種改進(jìn)的FCM對(duì)圖像進(jìn)行分割：為了解決速度問題，本文對(duì)圖像數(shù)據(jù)進(jìn)行量化，灰度圖像采用特征向量的方法，用灰度級(jí)統(tǒng)計(jì)值作為權(quán)值，彩色圖像采用顏色集量化的方法，用量化后的顏色集的統(tǒng)計(jì)值作為權(quán)值，把計(jì)算量進(jìn)行壓縮，對(duì)壓縮后的數(shù)據(jù)采用加權(quán)計(jì)算的方法，即能保證分割結(jié)果的準(zhǔn)確度，也能提高速度；用加權(quán)的減法聚