聚類分析研究及其在文本挖掘中的應用.pdf

1、我們生活在一個信息化的時代，各種信息急劇膨脹，為了有效利用這些信息，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)技術應運而生，并顯示出強大的生命力。本文對數(shù)據(jù)挖掘技術，尤其是文本挖掘和聚類分析進行了較為系統(tǒng)地分析和研究，提出了一些改進算法。 聚類分析在數(shù)據(jù)挖掘研究中占有重要的位置。所謂聚類，就是將物理或抽象對象的集合劃分成為由類似的對象組成的多個類的過程。聚類分析依據(jù)的原則是使同一類中的對象具有盡可能大的相似性，而不同類中的對象相似性較小。 由于

2、聚類分析的重要性和特殊性，近年來該領域的研究取得了長足的發(fā)展，涌現(xiàn)出了許多聚類分析的方法，如基于劃分(Partition-Based)的聚類方法、基于模型(Model-Based)的聚類方法等等。 本文首先系統(tǒng)介紹了各種聚類算法，分析了聚類算法的關鍵技術，然后在原有算法基礎上，給出了兩種改進算法：一種是對自組織特征映射(Self-OrganizingfeatureMaps，SOM)算法的改進，通過對SOM算法中的權值初始化進行了

3、重點分析和討論，針對權值隨機初始化，其網(wǎng)絡模型訓練時間長的缺點，提出了從待聚類的數(shù)據(jù)集中找出k個有代表性的點對SOM網(wǎng)絡權值進行初始化。改進后的SOM算法減小了網(wǎng)絡的訓練時間。另一種是提出了一種聚類組合算法，針對K-means算法初始聚類中心選取不當對聚類結果影響較大的問題，提出了一種把自組織特征映射和K-means算法相結合的方法，先用SOM算法對數(shù)據(jù)進行粗略的聚類，然后用SOM的連接權值對K-means算法的初始聚類中心進行初始化，