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均值算法進行研究與分析，提出了一種改進的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優(yōu)化與迭代優(yōu)化的K均值算法，該算法不是隨機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作為新的聚類中心，這樣就克服了孤立點的影響。最后對迭代運算進行了優(yōu)化使得算法的計算效率得到了提高。
　　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)推能力都很強的混合核