基于密度的模糊聚類分析算法研究.pdf

1、聚類分析是無監(jiān)督模式識別的一個重要分支，作為一個重要的數據挖掘工具已經廣泛應用于多個領域。它是把一個沒有類別標記的數據集按照某種準則聚為若干類，使相似的數據集盡可能歸于一類，不相似的數據集劃分到不同的類中的一個過程?，F實生活中存在的大量不確定性和模糊性的問題，所以產生了模糊聚類分析。模糊聚類分析已發(fā)展成聚類分析中一個十分活躍的研究領域，并在眾多領域得到了成功的應用，如分類學、地質學、金融業(yè)、市場營銷、模式識別和圖像分割等領域。因此，模糊

2、聚類分析具有十分廣闊的研究與應用空間。
　　本文研究的內容包括以下兩個方面：
　?。?）在對基于目標函數的模糊C均值聚類算法FCM(Fuzzy C-Means)研究的基礎上，針對模糊C均值聚類算法在初始簇中心選擇方面存在的問題進行了改進。因為模糊C均值聚類算法對初始聚類中心有很強的依賴性，所以快速準確找到初始聚類簇中心就能得到理想的聚類結果。傳統(tǒng)的模糊C均值聚類算法是隨機選取選初始聚類中心，得到的聚類結果有隨機性。本文提出了

3、用高斯密度函數計算初始聚類中心。計算方法是：以數據空間中數據點間的最大距離DMax/C為約束條件，選取密度值最大的前C個點作為初始聚類中心，進行FCM算法聚類。實驗表明，與隨機選取初始聚類中心相比改進算法計算出的初始聚類中心更接近真實聚類中心。
　?。?）基于密度函數加權的模糊C均值聚類算法(DFCM)的設計與實現：根據數據的自然分布特征（有的數據點周圍的數據點多，該點的密度大；相反，有的數據點周圍的數據點少，該點的密度?。?，通過

4、計算每個數據對象的高斯密度函數值并將其歸一化處理作為權值，加入傳統(tǒng)的模糊C均值算法中，得到基于密度函數加權的模糊C均值算法，這樣能更合理地發(fā)現數據集的自然結構，克服了只是根據數據點間距離確定其隸屬度的不足。DFCM算法使用java語言編寫，通過使用仿真二維數據集，UCI數據集中的IRIS數據集和高維數據集wine數據集，對改進算法(DFCM)行了測試，實驗表明改進算法確定出的數據點對簇的隸屬度變化能夠更有效地反映出數據點的分布特征，即在