模糊聚類算法在數(shù)據(jù)挖掘中的應(yīng)用研究.pdf

1、模糊聚類分析是將模糊數(shù)學(xué)方法引入聚類分析,采用隸屬度函數(shù)確定樣本間親疏關(guān)系的聚類方法,適合處理客觀世界中大量存在的界限不分明的聚類問題。作為一種重要的數(shù)據(jù)挖掘方法,目前模糊聚類分析已經(jīng)在數(shù)據(jù)挖掘領(lǐng)域得到廣泛的應(yīng)用,諸如網(wǎng)絡(luò)入侵檢測、故障診斷和圖像分割等。
　　 在研究傳統(tǒng)的模糊聚類算法和基于核函數(shù)的模糊聚類算法基礎(chǔ)上,考慮到現(xiàn)有聚類算法忽略了待聚類樣本各屬性間的不平衡性,不能全面反映聚類樣本的特點,本文給出一種改進的屬性加權(quán)核模

2、糊C-均值(WeightedKernel-basedFuzzyC-Means,WKFCM)聚類算法,該算法在聚類過程中,根據(jù)不同類別的特性,動態(tài)調(diào)整各屬性對不同類別的權(quán)重,體現(xiàn)了不同屬性對聚類結(jié)果貢獻度的差異性。將該聚類算法應(yīng)用于數(shù)據(jù)挖掘領(lǐng)域的實際問題中,驗證了WKFCM模糊聚類算法的優(yōu)越性能。
　　 本文的主要研究內(nèi)容包括以下幾個方面:
　　 首先,在分析了數(shù)據(jù)挖掘領(lǐng)域中的聚類分析方法的基礎(chǔ)上,研究了C-均值聚類算法、

3、迭代自組織數(shù)據(jù)分析算法(IterativeSelf-OrganizingDataAnalysisTechniqueAlgorithm,ISODATA)、核C-均值算法和支持向量聚類(SupportVectorClustering,SVC)等硬聚類算法。結(jié)合模糊數(shù)學(xué)的方法,進一步研究了模糊C-均值(FuzzyC-Means,FCM)算法及其改進算法GK(Gustafsson-Kessel)模糊聚類算法,以及基于核函數(shù)的核模糊C-均值(Ke

4、rnel-basedFuzzyC-Means,KFCM)聚類算法。
　　 其次,針對所研究的上述模糊聚類算法未考慮待聚類樣本屬性間的不平衡性的缺陷,給出一種改進的屬性加權(quán)WKFCM聚類算法,充分體現(xiàn)了各特征屬性對聚類結(jié)果貢獻程度的差異性,改進了現(xiàn)有模糊聚類算法的不足。
　　 最后,將所研究的上述模糊聚類算法應(yīng)用在基準聚類數(shù)據(jù)集以及具有海量數(shù)據(jù)的網(wǎng)絡(luò)入侵檢測數(shù)據(jù)挖掘問題中,實驗結(jié)果表明,在聚類正確率和算法平均耗時等方面,屬