模糊聚類在經(jīng)濟區(qū)域劃分中的應用.pdf

1、近年來，隨著信息全球化和互聯(lián)網(wǎng)化，大量數(shù)據(jù)的產(chǎn)生出現(xiàn)了信息過載的現(xiàn)象，數(shù)據(jù)挖掘應運而生，聚類技術(shù)就是具有代表性的數(shù)據(jù)挖掘技術(shù)。聚類分析應用于數(shù)據(jù)挖掘得到了顯著效果，但是，隨著人們認識的深入，發(fā)現(xiàn)這種非此即彼的分類越來越不適用于具有模糊性的分類問題。因此，結(jié)合了機器學習以及模糊數(shù)學兩家之長的模糊聚類技術(shù)成為了聚類技術(shù)的新寵兒，在聚類精度上取得了突出的成績。如何從統(tǒng)計年鑒那些浩瀚的經(jīng)濟統(tǒng)計數(shù)據(jù)中獲得較為準確的劃分就成了一個難題，尤其是在毫無

2、先驗信息的前提下。本文利用基于FCM的模糊聚類算法，以六項宏觀經(jīng)濟指標作為劃分依據(jù)，得出了非常有效的聚類結(jié)果，具有很強的實際參考意義。
　　本文圍繞模糊聚類技術(shù)的研究，主要進行以下研究并列出了相應研究結(jié)果:
　　1、介紹了聚類分析技術(shù)的概念和一般要求，然后討論了聚類分析的常見方法，重點描述并實現(xiàn)了經(jīng)典聚類分析-Kmeans算法，實驗發(fā)現(xiàn)，Kmeans算法具有局部最優(yōu)和收斂速度快的特點，但無法保證全局最優(yōu)，而且對初值敏感，精度

3、表現(xiàn)也中規(guī)中矩。
　　2、詳細研究了模糊聚類技術(shù)，在模糊數(shù)學基礎(chǔ)上，從模糊關(guān)系和模糊劃分兩方面入手，實現(xiàn)了對兩種模糊聚類算法并分別進行了數(shù)據(jù)集實驗?；谀：P(guān)系的聚類可以得出最佳分類對應的最佳閾值或所屬區(qū)間，但容易出現(xiàn)孤立點問題;基于模糊劃分的FCM算法的最終輸出是隸屬度矩陣，兼具效率和精度，而且聚類結(jié)果可以清晰的認識到每個樣本屬于每一類的程度。
　　3、利用FCM算法高聚類精度的特點，應用在了我國2013年區(qū)域經(jīng)濟劃分，實