基于陰影集和粗糙集的模糊聚類算法研究與應(yīng)用.pdf

1、由于真實數(shù)據(jù)環(huán)境復(fù)雜，越來越多的數(shù)據(jù)分析采用集成的方法來完成，以解決單一方法無法完成的任務(wù)。因此，將多種理論相互融合，構(gòu)造合適的數(shù)據(jù)挖掘模型來解決真實數(shù)據(jù)分析問題成為學(xué)術(shù)界的研究熱點。
　　在數(shù)據(jù)挖掘領(lǐng)域，模糊聚類算法得到廣泛的研究與應(yīng)用。目前的模糊聚類算法在數(shù)據(jù)挖掘應(yīng)用中存在對噪聲數(shù)據(jù)敏感，僅適合簇大小相似的球形簇劃分等不足。近年來，隨著陰影集、粗糙集、模糊集理論的發(fā)展，有學(xué)者將粗糙集、陰影集理論應(yīng)用到模糊聚類中，用于有效發(fā)現(xiàn)噪

2、聲數(shù)據(jù)。本文結(jié)合陰影集和粗糙集理論，對傳統(tǒng)模糊聚類算法進行較為系統(tǒng)的改進和創(chuàng)新，主要探討了模糊聚類算法目標(biāo)函數(shù)的改進，設(shè)計了適合多種類型的數(shù)據(jù)、任意分布數(shù)據(jù)集的模糊聚類改進算法，并提出了一種新穎的模糊聚類有效性指標(biāo)。實驗結(jié)果表明，本文提出的一系列有關(guān)模糊聚類分析的新方法取得了良好的效果，而且一些有益算法在民航機場噪聲時間序列預(yù)測等相關(guān)領(lǐng)域得到了應(yīng)用。
　　本文的研究工作和創(chuàng)新點主要有以下幾個方面：
　　(1)提出了一種模糊聚

3、類算法的有效性評價指標(biāo)。在已有指標(biāo)的基礎(chǔ)上提出了一種改進的聚類有效性指標(biāo)，該指標(biāo)以緊密性和分離性之比定義，不僅體現(xiàn)了數(shù)據(jù)的隸屬度和幾何結(jié)構(gòu)的相關(guān)信息，同時也反映了數(shù)據(jù)的分布情況。實驗表明，該指標(biāo)性能穩(wěn)定，可以有效處理簇間有交疊的數(shù)據(jù)，具有較高的可靠性。
　　(2)提出了一種基于陰影集的特征加權(quán)模糊聚類算法。利用陰影集的優(yōu)化理論，基于模糊隸屬度劃分簇的核心區(qū)、不確定區(qū)和排外區(qū)，有利于發(fā)現(xiàn)噪聲數(shù)據(jù)，這種算法將陰影集和模糊聚類相結(jié)合，考

4、慮特征向量中各維特征對模式分類的不同貢獻，研究了特征加權(quán)的聚類算法。提出的基于陰影集的特征加權(quán)聚類方法解決了交疊簇的有效劃分問題，同時增強了異常點存在時算法的魯棒性。
　　(3)提出了一種基于陰影集和粗糙集的特征加權(quán)模糊聚類算法。應(yīng)用特征加權(quán)分析數(shù)據(jù)的各維特征對模式分類的不同貢獻，算法將陰影集、粗糙集和模糊聚類相結(jié)合，在粒計算框架下融合多種理論方法，對交疊的簇劃分更有效，同時在噪聲和異常數(shù)據(jù)存在時算法的魯棒性更強。
　　(4

5、)提出了新穎的具有分類屬性數(shù)據(jù)的模糊聚類算法。針對混合型數(shù)據(jù)，基于數(shù)據(jù)服從概率形式分布的簇假設(shè)，為了有效發(fā)現(xiàn)噪聲和異常數(shù)據(jù)點，提出基于陰影集和粗糙集的概率不相似函數(shù)混合型數(shù)據(jù)模糊聚類改進算法。針對分類數(shù)據(jù)，通過增加簇間信息修改模糊k-modes算法的目標(biāo)函數(shù)，達到同時最小化簇內(nèi)離差和增強簇間分離。另外，為了減少硬質(zhì)心產(chǎn)生的誤分類，提出了具有簇間信息的分類數(shù)據(jù)模糊質(zhì)心聚類改進算法。
　　(5)探討了不同場景中基于陰影集和粗糙集的模糊