基于凝聚模糊K-means的聚類方法研究.pdf

1、隨著信息技術的不斷發(fā)展，人們已經(jīng)積累了越來越多的數(shù)據(jù)。面對這些數(shù)據(jù)，如何從中找出對生產(chǎn)生活有用的知識已成為數(shù)據(jù)挖掘、模式識別和機器學習等領域的一個重要研究問題。K-means聚類算法是幫助人們解決這一問題的重要手段之一。
　　K-means聚類算法由于它的高效性及簡單性，已被廣泛的應用于各個行業(yè)與領域。然而K-means聚類算法的效果受兩個與生俱來的問題影響，一個是確定簇的個數(shù)的問題，也就說模型選擇問題；另一個是它的局部優(yōu)化問題，

2、這使得聚類結果非常依賴于初始中心的位置。Li Mark提出的凝聚模糊K-means算法可以有效的避免這兩個問題。本文基于該算法，對以下三個方面問題的做了研究：
　　（1）多級密度數(shù)據(jù)（不同密度且具有層級結構簇數(shù)據(jù)）的聚類問題。本文首先基于凝聚模糊K-means算法，提出一種Clustering Tree算法。該算法通過層次式的使用凝聚模糊 K-means算法，并結合簇評估和高斯分布檢測的辦法去生成一棵聚類樹，從而解決經(jīng)不同密度且具

3、有層級結構簇的數(shù)據(jù)的聚類問題。經(jīng)實驗驗證，該算法能有效的解決這種數(shù)據(jù)的聚類問題，同時由于這棵樹反映了各個簇之間的結構關系，其還很有利于發(fā)現(xiàn)更有用的信息。
　?。?）含有少量先驗信息數(shù)據(jù)的聚類問題?；贑lustering Tree算法提出了半監(jiān)督Clustering Tree算法，該算法利用數(shù)據(jù)中的一些先驗信息去解決半監(jiān)督聚類的問題，并通過實驗驗證了該算法的性能。
　?。?）應用本文所提出的Clustering Tree的聚