基于模糊集合理論的聚類算法研究與應(yīng)用.pdf

1、聚類分析是數(shù)據(jù)挖掘的重要分支之一，引入模糊集合理論的模糊聚類分析為現(xiàn)實(shí)數(shù)據(jù)提供了模糊處理能力，在許多領(lǐng)域被廣泛應(yīng)用。在本文中，詳細(xì)地分析了被廣泛使用的DBSCAN聚類算法和K-means聚類算法的原理及其優(yōu)缺點(diǎn)。在介紹了模糊集合的基本理論知識(shí)之后總結(jié)了模糊聚類的原則和通用的方法，并詳細(xì)分析FCM算法的特點(diǎn)。
　　FCM算法是目前廣泛應(yīng)用的模糊聚類算法，但由于該算法是以c-均值（也即K-means算法）算法為基礎(chǔ)，因此FCM算法也具

2、有與c-均值算法類似的缺點(diǎn)，對(duì)初始聚類中心的依賴性比較強(qiáng)。若初始聚類中心取值不當(dāng)，則算法的目標(biāo)函數(shù)可能收斂到局部極小值，得不到最佳的聚類結(jié)果，有時(shí)甚至是錯(cuò)誤的聚類結(jié)果。為了改進(jìn)聚類算法的性能，避免算法因初始值的影響而收斂到局部極小值的問(wèn)題本文針對(duì)聚類算法所要處理的數(shù)據(jù)特征，提出一種非線性投影尋蹤方法用來(lái)確定初始聚類中心使算法收斂速度更加快速，聚類結(jié)果更加可靠。投影尋蹤是一種線性的數(shù)據(jù)降維方法。本文中所述的非線性投影尋蹤是一種改進(jìn)的非線性