论文部分内容阅读
在数据挖掘中，聚类分析占据着重要的位置，它是一种无监督分类。在聚类算法中，可能性C均值(PCM)和模糊C均值聚类(FCM)是两种比较经典的算法，他们是基于目标函数的算法。本文针对他们的聚类精度不高，鲁棒性差的缺点，通过改进目标函数来提高聚类精度和增强算法的鲁棒性。主要工作如下： （1）PCM算法是一种应用比较广泛的聚类方法，但该算法对其参数比较敏感，使得聚类精度和鲁棒性较差。为了解决上述问题，提出了一种基于遗传方法的直观模糊可能性C均值聚类算法(IFPCM-GA)，该方法保留了PCM的优点，同时使用核函数避免非鲁棒性的欧氏距离，提高了算法的鲁棒性；把直观模糊集理论融入到加核的PCM中得到直观模糊可能性C均值聚类(IFPCM)算法，IFPCM可以获得进一步精确的隶属度与聚类中心，从而改善算法的聚类性能；采用遗传方法搜索IFPCM参数的最优值，能够有效改善聚类结果。 （2）提出一种基于邻域信息的自适应核模糊聚类算法。模糊聚类是一种应用比较广泛的聚类算法，但是由于受噪声和野点的干扰，其算法的鲁棒性较差。以往的聚类算法，通常引入核函数来提高算法的鲁棒性。为了能够进一步增强算法的鲁棒性，首先加入聚类数据的近邻信息，获得每个聚类数据的邻域均值，来平滑掉噪声点的影响。在模糊聚类的同时，还期望能够获得更纯粹的划分，因此在目标函数中加入隶属度约束项产生更纯粹的划分。最后，采用免疫克隆算法来搜索获得该算法中参数的最优值，合适的参数值能够进一步提高算法的性能。 （3）提出一种改进模糊划分的核模糊C均值聚类算法。聚类分析追求两点：同一簇中的数据更紧凑，不同簇间的数据更离散。以往的模糊聚类算法，在聚类的时候会更多地考虑前者，而往往忽略了后者；通过加入不相似矩阵来改进隶属度，可以提高类间的分离性，能够有效改善聚类效果。在聚类时，每个数据对聚类的贡献是不一样的，应用密度权重为每个聚类数据加权，可以获得更精确的聚类中心。