基于特征點選擇的聚類算法研究與應用.pdf

1、隨著全球信息量的爆炸式的增長，數(shù)據(jù)挖掘技術已成為新世紀計算機科學技術的研究熱點。聚類分析是數(shù)據(jù)挖掘的最主要的功能之一，聚類就是將數(shù)據(jù)對象分組為多個類或簇，在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。聚類分析主要解決的問題是如何在沒有先驗知識的前提下，實現(xiàn)滿足這種要求的聚簇的集合。到目前為止，人們提出了各種各樣數(shù)據(jù)挖掘的聚類算法，但這些算法僅適用于特定的應用以及用戶，而且它們在理論和方法上還有待完善，甚至還有嚴重的不

2、足之處。K-means聚類算法在數(shù)據(jù)挖掘領域具有非常重要的應用價值。但隨著應用領域的拓展和新的問題需求，K-means本身存在的局限越來越突出。在應用中聚類個數(shù)通常根據(jù)用戶視覺和使用方便性假定，但用戶往往不能準確的確定聚類個數(shù)，聚類個數(shù)一旦確定在整個聚類過程中都不能更改，最終得到的簇的數(shù)目就是初始的聚類個數(shù)。并且初始聚類中心的選取不同也同樣會影響聚類算法的效果，因此用戶一般不會得到準確的聚類。K-means算法這兩個重要缺點嚴重影響了它

3、在聚類算法中的應用范圍。
　　 本文在分析了當前各種聚類算法的思想和方法的同時，針對K-means算法存在的一些缺陷和不足，提出了基于特征點選擇的聚類算法CFPS( Clustering algorithm based on Feature Point Selection)。CFPS算法同樣也屬于劃分聚類算法，CFPS算法在聚類過程中引入了適應度函數(shù)，算法根據(jù)對象間的距離和適應函數(shù)的值進行聚類和調整聚類個數(shù)k，CFPS算法不用選

4、取初始聚類中心，算法開始時每個聚類對象自成一類，因此聚類結果穩(wěn)定，算法不會陷入局部最優(yōu)的聚類結果。實驗結果表明CFPS聚類算法在數(shù)據(jù)挖掘中與其它聚類算法相比，CFPS算法提高了聚類精度和效率。因此用戶可以方便地使用本文提出CFPS算法，不需要配置復雜的參數(shù)，并且能得到更好或一樣的結果
　　 聚類分析及相關技術在入侵檢測中的應用是當前入侵檢測研究的一個熱點，本文嘗試將CFPS聚類算法應用于入侵檢測系統(tǒng)中，并使用KDD CUP199