基于聚類和核方法的數(shù)據(jù)挖掘算法研究.pdf

1、隨著信息系統(tǒng)的廣泛使用，產(chǎn)生了大量的數(shù)據(jù)，如何充分利用這些數(shù)據(jù)，發(fā)掘出有用的知識，是人們非常關(guān)心的問題。聚類是數(shù)據(jù)挖掘中一種重要的方法，隨著核方法的提出，將核方法應(yīng)用于聚類算法成為幫助人們解決數(shù)據(jù)挖掘問題的新的重要的方法。
　　本文主要研究聚類算法中的兩種經(jīng)典的算法：K均值算法與模糊C均值（Fuzzy C-means,FCM）算法。首先，對K均值算法進(jìn)行研究與分析，提出了一種改進(jìn)的K均值算法。其次，在FCM算法的基礎(chǔ)上結(jié)合核方法理

2、論，提出了兩種新的基于核方法的聚類算法，本文的主要工作如下：
　　1、提出了一種基于初始點(diǎn)優(yōu)化與迭代優(yōu)化的K均值算法，該算法不是隨機(jī)選取初始聚類中心而是采用基于最小距離的初始聚類中心選取法。聚類中心的調(diào)整不是取平均值而是選用離平均值最近的點(diǎn)作為新的聚類中心，這樣就克服了孤立點(diǎn)的影響。最后對迭代運(yùn)算進(jìn)行了優(yōu)化使得算法的計(jì)算效率得到了提高。
　　2、提出了一種基于混合核函數(shù)的模糊C均值算法，構(gòu)造了一種外推與內(nèi)推能力都很強(qiáng)的混合核