模块度可用于检测社区网络结构的强度,取值越大表明划分后同一社区内部关系越紧密,不同社区之间的关系越疏离,该特点与聚类的目标不谋而合。因此,近年来愈来愈多的聚类算法基于模块度进行设计,并取得了较好的聚类效果。然而,这些算法多属于硬聚类的范畴,受限于隶属度只能取0和1二值,聚类的准确率仍可进一步提高。此外,聚类分析过程结束后,聚类有效性检验是一个关键环节,常以有效性指标的取值衡量聚类算法性能以及准确率方面的优劣,已提出的有效性指标或判断结果不够准确,或鲁棒性较差。针对以上问题,本文基于模块度对模糊聚类算法展开研究,研究内容包括:(1)为了提高聚类算法的准确度,提出一种基于模块度最大化的模糊联合聚类算法MMFCC(Modularity Maximization based Fuzzy Co-Clustering)。该算法将模糊聚类思想应用于硬联合聚类算法CoClus(Co-Clustering)中,交替迭代计算对象和属性两个模糊隶属度矩阵,直至模块度值增大到稳定状态,产生最优的聚类结果,并以对角矩阵块的方式显示结果簇。本文使用稀疏真实数据集进行实验,从实验结果可看出,与其他对角联合聚类算法和不使用模块度的模糊联合聚类算法相比,MMFCC既提高了聚类精度,又用更直观、清晰的方式体现联合簇的意义。(2)为了验证模糊聚类算法聚类结果的准确性,融合二分模块度的思想,提出一种结合类内紧致性和类间分离性的模糊聚类有效性指标CSBM(Compactness Separateness Bipartite Modularity)。二分模块度的应用使该指标避免陷入局部最优问题,类内紧致性和类间分离性的引入有助于增强该指标评估聚类结果的鲁棒性,且在评判聚类结果数目时,该指标可改善对比指标随簇数目增加而出现的线性趋势问题。本文用模糊聚类算法在6个真实数据集上进行实验,结果表明,CSBM指标无论是在判断结果的准确性方面还是鲁棒性方面均优于其它6种常用模糊聚类有效性指标。