基于粒計算的聚類算法研究.pdf

1、隨著網絡技術的發(fā)展與普及，大量數據充斥人們眼球，人們每天都要面對海量數據。基本的數據存儲與讀取功能已經不能滿足需求，人們希望在大量數據集中尋找有用信息。數據挖掘正是從大量有效的數據中發(fā)現隱藏信息的一門有效技術。聚類是數據挖掘中的一個主要研究方向，其通過類內事物具有相似性、類間事物具有相異性來發(fā)現事物的內在規(guī)律。
　　聚類是一種無監(jiān)督學習方法，其本質是論域上的等價劃分，而這種等價劃分的結果是等價類內樣本集相似度大于給定閾值，而等價類

2、之間樣本集則小于閾值。傳統(tǒng)的聚類算法很難處理模糊、不確定信息，對異常信息不敏感，算法不夠穩(wěn)定，過度依賴輸入參數，且在處理大數據集上運行緩慢。針對聚類算法的上述缺點，文章結合粒計算的三大模型模糊集、粗糙集模型和商空間模型理論，提出融合模型聚類算法。
　　本文首先介紹粒計算基本概念，分析粒計算單一模型下的聚類算法，及模糊商空間聚類算法和模糊粗糙聚類算法。粒計算融合模型聚類算法是在原有粒計算模型聚類算法基礎上，結合各模型優(yōu)點而成。即模糊

3、聚類算法能夠處理模糊信息，使得聚類結果同實際更加吻合；粗糙集聚類算法能夠從數據本身求解參數，使得聚類結果更加精確，算法更加穩(wěn)定；商空間聚類算法能夠從不同粒度大小，求解不同聚類結果，從中選擇最優(yōu)聚類結果，這同人類求解問題過程是一致的。
　　為了使算法能夠處理混合屬性數據，本文使用統(tǒng)一相異度公式計算模糊商空間的距離空間。使用陰影集理論計算每個類簇的閾值，根據閾值大小計算每個類簇的正域及邊界域，采用近似集權值方法計算類簇中心，作為下一次