模糊C均值聚類算法的研究與改進(jìn).pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域最為重要的技術(shù)之一，也是學(xué)術(shù)界研究的熱點(diǎn)問題，至今已在理論和方法上取得了豐碩的研究成果，并在各個(gè)領(lǐng)域的數(shù)據(jù)分析中起到重要作用。在眾多的聚類算法中，基于劃分的K均值聚類算法最為經(jīng)典，應(yīng)用領(lǐng)域廣泛。模糊C均值算法屬于其中的一個(gè)變種，保持了其思想簡(jiǎn)單易行的特點(diǎn)，時(shí)間復(fù)雜性接近線性，對(duì)大規(guī)模數(shù)據(jù)的挖掘具有高效性和伸縮性。
　　為了解決多維數(shù)據(jù)集中對(duì)象之間的基于歐式距離度量的相似性度量差別不是很明顯的問題，提出了基于變

2、異系數(shù)的模糊C均值聚類算法。算法采用變異系數(shù)加權(quán)的歐式距離，引入了基于最大距離選取質(zhì)心的方法初始化質(zhì)心，使用KNN距離之和的倒數(shù)作為對(duì)象的密度并過濾掉離群點(diǎn)和噪聲點(diǎn)，在高密度對(duì)象中選取最大距離的對(duì)象作為質(zhì)心，使用加權(quán)的歐式距離計(jì)算隸屬度矩陣并根據(jù)隸屬度更新質(zhì)心的位置。實(shí)驗(yàn)結(jié)果表明該聚類方法比一般的模糊C均值方法聚類結(jié)果更好，實(shí)際效果優(yōu)于一般模糊C均值方法。
　　為了提高混合屬性數(shù)據(jù)集上的聚類精度問題，提出了一種基于加權(quán)模糊C均值的