数据挖掘中的模糊聚类分析及其应用.pdfVIP

2 0 0 4 年 5 月 ( ) M a y. 2 0 0 4 安庆师范学院学报 自然科学版 第 10 卷第 2 期 . 10 . 2 ( ) Vo l NO J ourna l of Anq ing Tea che rs Co llege Na tura l S c ience 数据挖掘中的模糊聚类分析及其应用 梁伍七, 　江克勤 ( 1 安徽广播电视大学, 　安徽 合肥 230022; 2 安庆师范学院 计算机系, 　安徽 安庆 246011) 　　摘　要: 数据挖掘是一种新兴的信息处理技术, 模糊聚类是数据挖掘领域中的一个重要研究课题。论文从数 据挖掘的概念出发, 研究分析了模糊聚类的主要算法, 并从多个方面对这些算法性能进行比较, 同时还对模糊聚 类分析在数据挖掘中的应用进行了阐述, 最后对模糊聚类的研究领域进行了总结和展望。 关键词: 数据挖掘; 模糊聚类; 聚类算法 ( ) 中图分类号: 　T P 18　文献标识码: A 　　文章编号: 1007- 4260 2004 02- 0065- 03 　　数据挖掘 (data m in ing ) 是指从存放在数据库、数据仓库或其他信息库的大量数据中提取隐含的、 未知的、潜在有用的, 以及最终可理解的信息或模式的过程。所谓聚类就是按照事物的某些属性将事物 聚成类, 使类间的相似性尽量小, 类内的相似性尽量大。聚类是一个无监督的学习过程, 分类是有监督 的学习过程, 两者的根本区别在于: 分类时需要事先知道分类所依据的属性值, 而聚类是要找到这个分 类属性值。传统的聚类分析是一种硬划分, 它把每个待辨识的对象严格地划分到某个类中, 这种分类的 界限是分明的。但客观世界中大量存在着界限并不分明的聚类问题, 它们的类属和性态存在着中介性, 适合软划分, Zadeh [1 ] 提出的模糊集理论为这种软划分提供了有力的分析工具, 人们开始用模糊的方法 来处理聚类问题, 并称之为模糊聚类分析。常用的模糊聚类方法有传递闭包法、动态直接聚类法、最大 树法、基于摄动的模糊聚类方法 、系统聚类法、模糊 - 均值法和模糊 算法。以下就 FCM BP C ISODA TA 上述算法的实现途径、有效性度量方式以及在实际中的应用等方面综述模糊聚类方法的研究进展。 1、传递闭包算法 基于模糊相似关系的模糊聚类, 首先要建立模糊相似矩阵, 建立模糊相似矩阵的关键是标定相似 系数。相似系数反映了样本之间相对于某些属性的相似程度。设 = { , ,. . . , }为被分类对象的全 O x 1 x2 xn 体, 以(x , x . . . x ) 表示每一个对象 x 的特征数据, 可用数量积法、夹角余弦法和统计相关系数法等方 i1 i2 im i