随着网络技术和数据库技术的快速发展,数据挖掘技术应运而生。聚类分析是数据挖掘中的重要分支之一,是一种数据划分的重要手段和方法。聚类的应用是非常广泛的,无论是在商务领域,还是在生物学、Web文档分类、图像处理等其它领域,都得到了有效的应用。虽然有些聚类算法已经得到了广泛应用,但由于一般聚类分析算法对数据集都有诸多的限制,所以很难找到一种算法适合所有的数据集。由此,聚类集成算法应运而生。聚类集成是将多个对同一组对象的不同划分进行合并,而不使用对象原有的特征。实验证明,该方法能够得到比单一算法更为优越的结果,但集成聚类远未达到成熟的地步,如关键参数的确定、共识函数的设计等问题。在前人工作的基础上,本文所做的工作如下:1.在深入了解集成聚类算法的基础上,设计出一种新的集成聚类算法,基于SEAM(Squared Error Adjacent Matrix)算法的集成聚类,简称为ESEAM算法(Ensemble method based on SEAM)。首先得到数据集的多个聚类结果,即得到聚类成员的集体;然后根据聚类成员的集体,得到可以反映原数据集分布的一个相似矩阵;最后,将SEAM算法应用在这个相似矩阵中,得到最终的聚类划分。文中通过实验验证了该算法的有效性。2.本文还对聚类分析的应用领域之一文本挖掘进行了研究。将文中所提出的ESEAM算法应用于文本中,并对实验结果做了分析。由于集成聚类算法可以集成多个聚类算法得到的结果,而在给定相似矩阵的情况下,SEAM算法可以自动确定聚类数,所以ESEAM算法避免了算法选择和聚类数选择的双重问题。