数据挖掘已成为数据分析的主要研究方向,利用这种新技术人们可以发现数据集中不能轻易察觉的内在联系,也为商业、工业、医疗等决策带来了新的解决方案。而聚类又是数据挖掘算法中的重要组成部分,如何降低时间复杂度和提高精度,如何找到合适的适应场景从而减少成本消耗,成为了当前研究的主要目标。因此本文首先对数据挖掘做了简单的背景了解,对聚类算法的改进也做了相关方面的研究,接着通过结合快速搜索发现密度峰值的聚类算法(DPC)和网格聚类算法进行改进,并将提高的算法用到传感器非线性系统辨识上。本文研究了基于网格的聚类算法和DPC聚类算法,针对网格聚类精度较低且受网格划分影响,以及DPC算法处理大量数据时速度较慢且聚类中心需要通过决策图确定等几个问题,本文提出改进方案,主要工作和成果如下:1.DPC是基于密度的聚类算法,其密度计算采用两点之间的欧式距离,当数据量特别大时,其点与点之间的距离计算,以及数据点聚合过程消耗的时间就特别多。因此本文采用DPC与网格结合的思路,将数据点按照坐标映射到网格中,这样就形成了一个网格对应多个数据点的形式,从而将网格对象之间的计算代替了数据点之间的计算,减少了数据点之间距离的计算量以及在聚合过程中的复杂度。2.针对DPC算法在确定聚类中心的个数时需要通过决策图手动选取的缺陷,本文提出改进的判定准则,从而可以自动判定聚类中心的个数以及类簇的中心点。这一步的改进,对采用聚类分析在工业生产中自动化的过程提供了基础,减少了人工参与决策的程序。3.针对网格边缘点和聚类中的噪声点,本文提出新的处理方案,采用网格内外相似性的边缘处理原则,来排除数据集中的局部孤立点或噪声。其边缘处理原则的主要思路是,针对相邻网格但不属于同一类簇的网格内的点,比较这些点在该网格内的相似度和相邻网格的相似度大小,来判断该点属于哪个类簇。4.针对传感器非线性系统特性的故障辨识,以及传感器对系统工作状态的影响,利用改进的聚类算法对传感器输入、输出数据进行分析,从而确定非线性系统模型的参数辨识结果,仿真实验结果表明该算法在传感器非线性系统辨识和故障识别上很有成效。