基于FCM的類合并聚類算法研究.pdf_第1頁
已閱讀1頁,還剩52頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著數據庫技術的迅速發(fā)展以及數據庫管理系統(tǒng)的廣泛應用,人們積累的數據越來越多。激增的數據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據。數據供給能力和數據分析能力間的矛盾日益突出,迫切需要一種能夠對數據進行深層次加工的自動化技術。數據挖掘技術應運而生。聚類分析技術是數據挖掘中的經典內容,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,必須事先指定數據集的聚類數,然而聚類個數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的;并且FCM算法一般只能發(fā)現球裝簇。
   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輸入參數的知識領域最小化,即不用用戶給出聚類數C。數值規(guī)約可以大大減小原始數據集的樣本個數,并保留樣本分布情況。使最大最小聚類算法的運行數據集大大減少。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的小類。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目的依賴。因為改進算法并不關心聚類數目選擇是否正確,我們只需要提供一個足夠大的初始聚類個數C,最終的聚類數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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論