时间序列的聚类研究是数据分析领域的重要内容,广泛存在于社会生产的各个领域。通过整合事物随时间变化的数据信息,可以探索事物的发展趋势与发展规律,并对事物的变化规律进行聚类研究。为了充分利用时间序列数据,从历史数据中挖掘出隐藏的联系,本文运用改进的模糊C均值聚类算法以及Kohonen网络聚类算法对时间序列的聚类问题进行了研究。首先,本文将经典的动态时间规整距离算法与粒子群优化算法相结合,提出了两种基于粒子群优化的加权动态时间规整距离的改进算法,并用其对时间序列的相似性度量函数做了改进。进而使用模糊C均值聚类与模糊C中心点聚类相结合的方法,解决了因初始聚类中心选取不当而造成聚类过程中目标函数值陷入局部最优而达不到全局最优的问题。最后使用UCR时间序列数据集对提出的聚类模型进行仿真实验,将得到的聚类结果与现有方法进行对比,以验证本文聚类方法的有效性。另外对74个城市的空气质量状况进行聚类分析,将本文提出的时间序列聚类算法与现有方法进行了对比。其次,本文对Kohonen自组织竞争神经网络在其现有二层网络的基础上增加一层输出层,将无监督的二层自组织网络变为半监督的三层自组织网络,在一定程度上提高了聚类精度。在网络的权值初始化方面,使用模糊C均值聚类算法对输入层与竞争层之间的连接权值进行初始化;在网络训练过程中,将网络学习速率由线性变化转变为非线性变化,并且在给定最大迭代次数的基础上增加阈值条件共同作为网络训练结束的终止条件;在求取神经元距离方面,使用本文提出的改进的动态时间规整距离。最后使用UCR以及UCI公共时间序列数据集,对提出的改进Kohonen网络聚类模型进行仿真实验,将得到的聚类结果与现有方法进行对比。另外对若干医疗数据集进行仿真实验,将本文提出的自组织网络模型与现有网络模型进行对比,进一步验证了该聚类模型的可行性。