空間聚類(lèi)分析的研究.pdf

1、聚類(lèi)分析技術(shù)作為數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)重要分支，在識(shí)別數(shù)據(jù)內(nèi)在結(jié)果方面扮演著極其重要的角色。聚類(lèi)分析技術(shù)是一種無(wú)監(jiān)督的學(xué)習(xí)過(guò)程，其主要目的是將沒(méi)有標(biāo)記的空間樣本數(shù)據(jù)劃分為有意義的組或簇。在某一組中，所有空間樣本數(shù)據(jù)在某種意義上彼此相似；而不同組之間的空間樣本數(shù)據(jù)差異較大。通過(guò)聚類(lèi)分析技術(shù)能夠快速有效發(fā)現(xiàn)空間樣本的聚集情況，并能提取出空間樣本的群體空間結(jié)構(gòu)特征，對(duì)揭示空間樣本的分布規(guī)律，預(yù)測(cè)空間樣本對(duì)象的發(fā)展趨勢(shì)有著重要的作用。
　　

2、對(duì)于數(shù)據(jù)挖掘領(lǐng)域中的聚類(lèi)分析技術(shù)，本文的主要研究?jī)?nèi)容分為如下幾個(gè)部分：
　　首先，從傳統(tǒng)的劃分式聚類(lèi)算法入手，分析了傳統(tǒng)K-均值聚類(lèi)算法的不足，針對(duì)傳統(tǒng)K-均值算法對(duì)初始聚類(lèi)中心點(diǎn)敏感的不足，提出了基于密度期望的初始聚類(lèi)中心點(diǎn)選取方案。該方案將處于密度期望區(qū)間內(nèi)相距最遠(yuǎn)的k個(gè)樣本作為初始聚類(lèi)中心，可有效降低K-均值算法對(duì)初始中心點(diǎn)的依賴(lài)，從而提高聚類(lèi)結(jié)果的質(zhì)量。
　　其次，劃分式聚類(lèi)算法中，針對(duì)有效聚類(lèi)劃分?jǐn)?shù)事先很難明確的不

3、足。對(duì)于傳統(tǒng)K-均值算法，在基于密度期望選取初始聚類(lèi)中心點(diǎn)的基礎(chǔ)上，結(jié)合聚類(lèi)有效性指標(biāo)函數(shù)分析不同劃分?jǐn)?shù)下的聚類(lèi)結(jié)果，可有效確定最佳聚類(lèi)數(shù)。
　　再次，利用人工蜂群算法的良好全局尋優(yōu)能力，并通過(guò)適應(yīng)度排序選擇策略提高原有人工蜂群算法的性能。將優(yōu)化后的人工蜂群算法對(duì)模糊C-均值算法進(jìn)行優(yōu)化，以克服傳統(tǒng)模糊C-均值算法對(duì)初始聚類(lèi)中心點(diǎn)敏感的不足。
　　最后，空間不確定數(shù)據(jù)的數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)由于更加符合客觀實(shí)際而逐漸成為近年研究