基于FCM的類合并聚類算法研究.pdf

1、隨著數(shù)據(jù)庫技術的迅速發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛應用，人們積累的數(shù)據(jù)越來越多。激增的數(shù)據(jù)背后隱藏著許多重要的信息，人們希望能夠對其進行更高層次的分析，以便更好地利用這些數(shù)據(jù)。數(shù)據(jù)供給能力和數(shù)據(jù)分析能力間的矛盾日益突出，迫切需要一種能夠對數(shù)據(jù)進行深層次加工的自動化技術。數(shù)據(jù)挖掘技術應運而生。聚類分析技術是數(shù)據(jù)挖掘中的經(jīng)典內容，是各學科研究的重要工具。
　　 模糊聚類由于能夠描述樣本類屬的中介性，能夠客觀地反映現(xiàn)實世界，己逐漸成為聚

2、類分析的主流.在眾多的模糊聚類算法中，模糊C-均值算法可以說是應用最為廣泛、最為靈敏的一種算法。但是該算法對初始化特別敏感，很容易陷入局部極小值或者鞍點，而得不到全局最優(yōu)解；當我們使用這一聚類算法時，必須事先指定數(shù)據(jù)集的聚類數(shù)，然而聚類個數(shù)C一般是很難預先知道的，對于一些不規(guī)則的簇形狀，用歐式距離的類中心描述是不適當?shù)?；并且FCM算法一般只能發(fā)現(xiàn)球裝簇。
　　 本文重點針對FCM算法進行了詳細的研究和分析；應用了多中心思想，提出

3、了一種新的類合并方法對FCM算法進行了改進。改進算法將整個聚類過程分為二個階段。
　　 第一階段，采用最大最小距離算法結合數(shù)值規(guī)約技術進行初始聚類中心的選擇。最大最小距離算法可以實現(xiàn)輸入?yún)?shù)的知識領域最小化，即不用用戶給出聚類數(shù)C。數(shù)值規(guī)約可以大大減小原始數(shù)據(jù)集的樣本個數(shù)，并保留樣本分布情況。使最大最小聚類算法的運行數(shù)據(jù)集大大減少。提高改進算法的執(zhí)行效率。
　　 第二階段，利用FCM隸屬度矩陣的物理意義，實現(xiàn)將相鄰小類合

4、并成大類。最終完成整個聚類過程。
　　 改進算法的主要思想：“任何一個大簇或者延伸形狀的簇都能用多個中心表示”。先把一個大類用多個中心點來表示，然后再合并那些適當?shù)男☆?。這種冗余初始化聚類中心的方法，可以在一定程度上降低對初始中心和聚類數(shù)目的依賴。因為改進算法并不關心聚類數(shù)目選擇是否正確，我們只需要提供一個足夠大的初始聚類個數(shù)C，最終的聚類數(shù)目是通過合并了各個小類之后才確定，這樣更加符合聚類的思想。
　　 為了驗證本文提