模糊聚類在自動(dòng)判別專家知識(shí)領(lǐng)域中的應(yīng)用研究.pdf

1、專家信息的挖掘?qū)⑷珖?guó)性的專家信息服務(wù)平臺(tái)尤為重要。論文通過(guò)對(duì)專家所發(fā)表的論文，承擔(dān)的課題等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行挖掘，來(lái)自動(dòng)判別出專家的知識(shí)領(lǐng)域。 論文在研究分析中文文本預(yù)處理的基礎(chǔ)上，結(jié)合中文文本挖掘過(guò)程，研究文本挖掘框架的層次性，建立了專家知識(shí)領(lǐng)域自動(dòng)判別系統(tǒng)的框架結(jié)構(gòu)，并設(shè)計(jì)出框架結(jié)構(gòu)中各個(gè)模塊的接口，重點(diǎn)研究了模糊聚類算法。為了能準(zhǔn)確地判斷出訓(xùn)練集的最佳聚類數(shù)，本文通過(guò)深入分析多種聚類有效性評(píng)價(jià)指標(biāo)函數(shù)的“緊湊度”和“分離

2、度”，綜合這些有效性函數(shù)的優(yōu)點(diǎn)，對(duì)模糊聚類的線性有效性指標(biāo)函數(shù)進(jìn)行改進(jìn)，使緊湊度和分離度更加明顯。此外，由于文本數(shù)據(jù)維數(shù)高且零值多，相異性不明顯，聚類效果不好，論文分析模糊屬性均值算法和核技術(shù)，把核方法用于模糊屬性均值算法中，給出了基于核的模糊屬性均值算法。 在標(biāo)準(zhǔn)數(shù)據(jù)中進(jìn)行實(shí)驗(yàn)，表明改進(jìn)后的指標(biāo)函數(shù)能更加穩(wěn)定的判斷出最佳聚類數(shù)，改進(jìn)后的模糊屬性均值算法的準(zhǔn)確率和抗噪能力得到提高。并把改進(jìn)后的指標(biāo)函數(shù)和改進(jìn)后的算法應(yīng)用于專家知識(shí)