改進模糊C-均值聚類算法的數(shù)據(jù)挖掘研究.pdf

1、隨著社會進步迅速不斷加快，經(jīng)濟水平的日益提高。工業(yè)過程在信息化技術(shù)的引領(lǐng)下，整個生產(chǎn)過程出現(xiàn)了質(zhì)的飛躍，在生產(chǎn)線上出現(xiàn)無人監(jiān)督無人操作的現(xiàn)象。人們從體力勞動中脫離出來，更多的從事腦力的勞動，企業(yè)擺脫了高煙囪的時代。一方面，隨著市場的競爭越來越激烈，企業(yè)必須從競爭中求得勝利，必須加強自身實力，而那些在實踐過程中產(chǎn)生的數(shù)據(jù)則變得非常有意義;另一方面，企業(yè)在生產(chǎn)過程中往往是要通過這些數(shù)據(jù)作為企業(yè)追求利潤和改良工藝的研究基礎(chǔ)。因此，數(shù)據(jù)挖掘便隨

2、之而產(chǎn)生，它主要是從在數(shù)據(jù)庫中提取企業(yè)或是事業(yè)單位所需要的信息，它是一種技術(shù)手段，然而這些數(shù)據(jù)集或是模糊的，或是隨機比較強性，這種方法受到越來越多的關(guān)注。模糊C均值聚類算法是數(shù)據(jù)挖掘中應(yīng)用比較廣泛的算法之一，但是也存在著一些問題和不足。
　　 本文深入分析了模糊C均值聚類算法中的問題，主要完成了幾個工作:
　　 1.模糊C-均值聚類(FCM)算法是主要是針對特征空間中的點集，普遍是適合于凸形數(shù)據(jù)集，而不適用凸形。但是在適

3、用于非凸形的許多聚類算法中，同時處理高維數(shù)據(jù)，結(jié)果是比較差的。馬氏距離是為了區(qū)別不同樣本，根據(jù)通過樣本到各類的距離，判斷樣本屬于那種類別，它在非凸形數(shù)據(jù)集，高維數(shù)數(shù)據(jù)集中可以是使用。本文針對上述缺點，提出了一種基于馬氏距離的改進FCM算法。
　　 2.針對FCM算法存在容易陷入局部極小值和對初始值敏感的缺點，提出了一種基于人工螢火蟲(GSO)的模糊C聚類(GSFM)算法。該算法引入了全局尋優(yōu)能力強的人工螢火蟲算法來求得最優(yōu)解作為

4、FCM算法的初始聚類中心，然后利用FCM算法優(yōu)化初始聚類中心，最后求得全局最優(yōu)解，從而有效克服了FCM算法的缺點。
　　 3.針對過程工業(yè)數(shù)據(jù)變量多、數(shù)據(jù)維數(shù)高、非線性等特點，一般的數(shù)據(jù)挖掘算法無法解決這些問題。本文提出了一種基于局部平滑性通用增量流形(GIML)的人工螢火蟲模糊C聚類(GSFM)算法。該算法首先采用局部平滑性的通用增量流形算法對原始數(shù)據(jù)進行增量降維，再應(yīng)用人工螢火蟲模糊C聚類(GSFM)算法對低維空間數(shù)據(jù)聚類。