论文部分内容阅读
研究了异构属性数据的聚类问题。通过挖掘样本中的结构信息，用加权的Mahalanobis距离来度量异构样本的相异性；根据分类属性数据的分布与粒子在量子势能场中的分布不平衡的相似性，重写量子势能公式为距离量子势能的形式，提出了一种新的异构属性数据量子聚类WMDQC算法。通过进一步集成该算法和AHC算法为WMDQCM聚类方法，用AHC算法更高效地挖掘样本中有利于聚类的结构线索。实验结果表明，方法具有比较优势，显著地改善了聚类性能，具有一定的实用价值。