随着现代文明科技的快速发展,人类已经迈入了信息化的社会,无论是生活还是工作中,各行各业的信息数据量呈现爆发式的增长,数据量越来越多。而如何从这些海量数据当中找到真正有用的信息便成为了人们所关注的热点话题,数据挖掘技术便应运而生了。俗话说:“物以类聚,人以群分”,聚类分析是数据挖掘的一项十分重要的手段,聚类算法也是数据挖掘研究领域中的一个非常活跃的研究课题。聚类技术的目的是将大量样本或抽象的数据按照相互之间的相似性分成若干个子集合,从而发现数据的结构,帮助人们更好地了解数据之间所隐藏的一些信息。现代信息科技的飞速进步,导致信息规模的增长越来越快,很多传统的聚类算法都已经无法应对规模越来越大的数据了,因此研究人员将注意力转移到了能够适应规模越来越大的数据集的一些新型算法上。本文将结合传统的模糊聚类算法,引入了基于分块思想的模糊聚类理论,并且结合数据集中样本点的密度属性,提出了几个基于样本密度的分块模糊聚类算法,提高了传统模糊聚类算法的聚类效果。本文的主要工作如下:(1)提出了一种基于密度加权的在线模糊聚类算法(DWOFCM)。算法运用了分块的思想将数据集分割,同时引入了密度加权的方法,根据样本的密度特征对数据集中的所有样本进行加权处理,然后分别对每一部分数据进行聚类,最后再将所得到的结果统一起来进行处理,从而得到聚类结果。该算法相较于传统的模糊聚类算法在一定程度上提高了聚类效果。但是算法也存在着缺陷与不足,当数据规模继续增大时,该算法的聚类效果则会明显有所下降。(2)提出了一种基于样本局部密度的单通模糊聚类算法(LDSPFCM)。改进了计算密度的方式,将全局密度改为局部密度,从而能够更好的反应样本的实际分布情况,避免了距离较远的样本点在计算密度时造成的不良干扰,同时也改进了SPFCM对输入次序的依赖特性,提高了聚类效果。(3)提出了一种基于密度峰值的加权单通模糊聚类算法(DPWSPFCM)。算法除了计算样本点的局部密度之外,还结合了数据集当中高密度点之间的距离属性,寻找数据集的密度峰值,根据数据集的密度峰值来重新将数据集排序,并且对样本点加权,使得密度峰值区域的样本点权值更大对聚类结果的影响更大,从而提高聚类效果。