模糊聚類算法應(yīng)用研究.pdf

1、聚類是數(shù)據(jù)挖掘的重要分支之一，引入模糊理論的模糊聚類分析為現(xiàn)實數(shù)據(jù)提供了模糊處理能力，在許多領(lǐng)域被廣泛應(yīng)用。在本文中，總結(jié)了模糊聚類的原則和通用的方法，討論了常用的模糊聚類算法，討論了這些算法的優(yōu)缺點、存在的問題以及前景展望。 模糊C-均值聚類算法是目前廣泛使用的模糊聚類算法。但它也存在一些缺點，例如模糊C-均值(FCM)聚類算法受初始化影響較大，在迭代時容易陷入局部極小。本文從引入隸屬度函數(shù)、引入消息熵和類中心的約束出發(fā)，研究

2、了模糊C-均值的改進方法。 在此基礎(chǔ)上，提出了一種改進的模糊C-均值聚類算法。其基本思想是：通過對數(shù)據(jù)對象的模糊隸屬度增加一個加權(quán)值，以及在算法中引入模糊聚類有效性函數(shù)對聚類數(shù)目c進行優(yōu)選。為了證明改進FCM算法的實用性，我們將該算法應(yīng)用于兩個領(lǐng)域：網(wǎng)絡(luò)入侵檢測和Web日志挖掘。 入侵檢測是網(wǎng)絡(luò)安全的第二道防線。在本文中，分析了入侵檢測技術(shù)的要點，提出了一種基于改進FCM算法的網(wǎng)絡(luò)入侵檢測方法。該方法的優(yōu)點是不需要標示或