基于凝聚模糊K-means的聚類方法研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，人們已經(jīng)積累了越來(lái)越多的數(shù)據(jù)。面對(duì)這些數(shù)據(jù)，如何從中找出對(duì)生產(chǎn)生活有用的知識(shí)已成為數(shù)據(jù)挖掘、模式識(shí)別和機(jī)器學(xué)習(xí)等領(lǐng)域的一個(gè)重要研究問(wèn)題。K-means聚類算法是幫助人們解決這一問(wèn)題的重要手段之一。
　　K-means聚類算法由于它的高效性及簡(jiǎn)單性，已被廣泛的應(yīng)用于各個(gè)行業(yè)與領(lǐng)域。然而K-means聚類算法的效果受兩個(gè)與生俱來(lái)的問(wèn)題影響，一個(gè)是確定簇的個(gè)數(shù)的問(wèn)題，也就說(shuō)模型選擇問(wèn)題；另一個(gè)是它的局部?jī)?yōu)化問(wèn)題，

2、這使得聚類結(jié)果非常依賴于初始中心的位置。Li Mark提出的凝聚模糊K-means算法可以有效的避免這兩個(gè)問(wèn)題。本文基于該算法，對(duì)以下三個(gè)方面問(wèn)題的做了研究：
　?。?）多級(jí)密度數(shù)據(jù)（不同密度且具有層級(jí)結(jié)構(gòu)簇?cái)?shù)據(jù)）的聚類問(wèn)題。本文首先基于凝聚模糊K-means算法，提出一種Clustering Tree算法。該算法通過(guò)層次式的使用凝聚模糊 K-means算法，并結(jié)合簇評(píng)估和高斯分布檢測(cè)的辦法去生成一棵聚類樹，從而解決經(jīng)不同密度且具

3、有層級(jí)結(jié)構(gòu)簇的數(shù)據(jù)的聚類問(wèn)題。經(jīng)實(shí)驗(yàn)驗(yàn)證，該算法能有效的解決這種數(shù)據(jù)的聚類問(wèn)題，同時(shí)由于這棵樹反映了各個(gè)簇之間的結(jié)構(gòu)關(guān)系，其還很有利于發(fā)現(xiàn)更有用的信息。
　?。?）含有少量先驗(yàn)信息數(shù)據(jù)的聚類問(wèn)題。基于Clustering Tree算法提出了半監(jiān)督Clustering Tree算法，該算法利用數(shù)據(jù)中的一些先驗(yàn)信息去解決半監(jiān)督聚類的問(wèn)題，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法的性能。
　?。?）應(yīng)用本文所提出的Clustering Tree的聚