K-Means聚類算法的研究與改進(jìn).pdf

1、數(shù)據(jù)挖掘是一種提取出隱含在大量數(shù)據(jù)中的潛在的、有用的信息并被人們識(shí)別、處理的數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)(Knowledge Discovery in Database)。數(shù)據(jù)挖掘技術(shù)結(jié)合了模式識(shí)別、數(shù)據(jù)庫(kù)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和人工智能等多個(gè)領(lǐng)域的一種新興的交叉的學(xué)科技術(shù)。數(shù)據(jù)挖掘有多個(gè)研究方向，包括分類、聚類、關(guān)聯(lián)規(guī)則挖掘等。聚類分析是數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)比較熱門的研究方向。聚類分析是要達(dá)到這樣一種目的，將數(shù)據(jù)對(duì)象進(jìn)行劃分成不同的簇使得同一個(gè)簇中

2、的數(shù)據(jù)對(duì)象具有較高的相似度，不同簇中的數(shù)據(jù)對(duì)象的相似度較低。
　　 目前為止，聚類分析算法一般有以下五種分類：基于劃分的聚類算法、基于層次的聚類算法、基于密度的聚類算法、基于網(wǎng)格的聚類算法和基于模型的聚類方法。聚類算法在商務(wù)、市場(chǎng)分析、生物學(xué)以及文檔分類等領(lǐng)域有著廣泛的應(yīng)用。另外，聚類算法不僅可以作為發(fā)現(xiàn)數(shù)據(jù)庫(kù)中數(shù)據(jù)分布的深層次信息的工具，還可以作為數(shù)據(jù)挖掘中的一個(gè)預(yù)處理步驟。因此，研究聚類分析算法有著十分重要的意義。
　

3、　 K-Means算法是基于劃分的聚類算法中的一個(gè)典型算法。該聚類算法的一個(gè)最大的優(yōu)點(diǎn)就是操作簡(jiǎn)單、采用誤差平方和的準(zhǔn)則函數(shù)、對(duì)大數(shù)據(jù)集的處理上有較高的可伸縮性和高效性。但是該算法存在著一定的缺陷：首先起初需要指定k值表示聚類個(gè)數(shù)；其次它比較敏感于聚類中心初值的選取問題；第三算法也極其容易的陷入局部的最優(yōu)解；最后它只能發(fā)現(xiàn)球狀的簇。K-Means算法采取隨機(jī)選取初始聚類中心，因此，一旦聚類中心選取不當(dāng)，將會(huì)得到一個(gè)不合理的聚類結(jié)果。本

4、文針對(duì)聚類算法的結(jié)果對(duì)初始聚類中心依賴性的問題，對(duì)初始聚類中心選取的方法給出了分析與研究，并針對(duì)初始聚類中心選取的方法提出了兩種新的算法。本文工作主要包括：
　　 1.首先介紹了數(shù)據(jù)挖掘的研究意義與聚類分析的研究背景和研究方向。
　　 2.數(shù)據(jù)挖掘中的聚類分析算法的研究。包括現(xiàn)有的聚類分析算法有哪些，聚類的概念和形式描述、聚類分析中的數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)的標(biāo)準(zhǔn)化、聚類分析的相似度度量、聚類分析中的準(zhǔn)則函數(shù)和聚類分析的

5、一般步驟等。
　　 3.研究了K-Means算法的基本思想和原理，同時(shí)分析了K-Means算法的優(yōu)缺點(diǎn)，研究了現(xiàn)有的針對(duì)K-Means算法初值選取的改進(jìn)的措施。
　　 4.針對(duì)K-Means算法對(duì)初值依賴性的缺點(diǎn)，給出了兩種改進(jìn)初始聚類中心選取的算法，主要的研究成果和內(nèi)容集中在以下兩個(gè)方面：
　　 (1)基于坐標(biāo)旋轉(zhuǎn)的思路，針對(duì)K-Means算法隨機(jī)選擇初始聚類中心導(dǎo)致聚類結(jié)果不穩(wěn)定的情況，提出了一種基于坐標(biāo)旋轉(zhuǎn)