不確定性數據挖掘算法設計.pdf

1、傳統(tǒng)的數據挖掘解決了海量數據貧乏知識的情況，但是傳統(tǒng)的數據挖掘只適合于準確的數據，它沒有考慮到數據的不確定性，然而不確定性是客觀事物本身所固有的一種特性，數據挖掘如果沒有考慮到數據的不確定性，那么最后的挖掘結果可能是錯誤的。隨著不確定性數據的增多，迫切需要針對于不確定性數據的數據挖掘。在不確定性數據上進行挖掘的技術就是不確定性數據挖掘。在不確定性數據挖掘中，模糊不確定性數據的聚類分析研究和應用最廣泛，模糊不確定性是指事物沒有明確的外延。

2、本文研究模糊聚類的 FCM算法并將其作用在圖像分割領域中進行實驗和分析。圖像分割本質是把圖像中相似的像素聚為一類，不相似的像素分離，由于成像的誤差和人類視覺的特性造成圖像的模糊性，而且圖像分割需要一種自動化的算法，聚類算法作為一種無監(jiān)督的算法可以很好地滿足這個需求，所以模糊聚類可以很好地作用于圖像分割領域中。FCM算法在圖像分割中的應用很廣泛，但是它本身存在許多不足之處，比如計算量太大，速度慢，對初始值敏感，容易陷入局部極值，收斂性差，

3、迭代次數多，而且對于任何的數據和初始值，FCM算法總會給出一個結果，但是它卻無法判斷聚類結果的好壞。
　　針對FCM的這些缺點，本文提出了一種改進的FCM對圖像進行分割：為了解決速度問題，本文對圖像數據進行量化，灰度圖像采用特征向量的方法，用灰度級統(tǒng)計值作為權值，彩色圖像采用顏色集量化的方法，用量化后的顏色集的統(tǒng)計值作為權值，把計算量進行壓縮，對壓縮后的數據采用加權計算的方法，即能保證分割結果的準確度，也能提高速度；用加權的減法聚