基于陰影集和粗糙集的模糊聚類算法研究與應用.pdf

1、由于真實數據環(huán)境復雜，越來越多的數據分析采用集成的方法來完成，以解決單一方法無法完成的任務。因此，將多種理論相互融合，構造合適的數據挖掘模型來解決真實數據分析問題成為學術界的研究熱點。
　　在數據挖掘領域，模糊聚類算法得到廣泛的研究與應用。目前的模糊聚類算法在數據挖掘應用中存在對噪聲數據敏感，僅適合簇大小相似的球形簇劃分等不足。近年來，隨著陰影集、粗糙集、模糊集理論的發(fā)展，有學者將粗糙集、陰影集理論應用到模糊聚類中，用于有效發(fā)現噪

2、聲數據。本文結合陰影集和粗糙集理論，對傳統(tǒng)模糊聚類算法進行較為系統(tǒng)的改進和創(chuàng)新，主要探討了模糊聚類算法目標函數的改進，設計了適合多種類型的數據、任意分布數據集的模糊聚類改進算法，并提出了一種新穎的模糊聚類有效性指標。實驗結果表明，本文提出的一系列有關模糊聚類分析的新方法取得了良好的效果，而且一些有益算法在民航機場噪聲時間序列預測等相關領域得到了應用。
　　本文的研究工作和創(chuàng)新點主要有以下幾個方面：
　　(1)提出了一種模糊聚

3、類算法的有效性評價指標。在已有指標的基礎上提出了一種改進的聚類有效性指標，該指標以緊密性和分離性之比定義，不僅體現了數據的隸屬度和幾何結構的相關信息，同時也反映了數據的分布情況。實驗表明，該指標性能穩(wěn)定，可以有效處理簇間有交疊的數據，具有較高的可靠性。
　　(2)提出了一種基于陰影集的特征加權模糊聚類算法。利用陰影集的優(yōu)化理論，基于模糊隸屬度劃分簇的核心區(qū)、不確定區(qū)和排外區(qū)，有利于發(fā)現噪聲數據，這種算法將陰影集和模糊聚類相結合，考

4、慮特征向量中各維特征對模式分類的不同貢獻，研究了特征加權的聚類算法。提出的基于陰影集的特征加權聚類方法解決了交疊簇的有效劃分問題，同時增強了異常點存在時算法的魯棒性。
　　(3)提出了一種基于陰影集和粗糙集的特征加權模糊聚類算法。應用特征加權分析數據的各維特征對模式分類的不同貢獻，算法將陰影集、粗糙集和模糊聚類相結合，在粒計算框架下融合多種理論方法，對交疊的簇劃分更有效，同時在噪聲和異常數據存在時算法的魯棒性更強。
　　(4

5、)提出了新穎的具有分類屬性數據的模糊聚類算法。針對混合型數據，基于數據服從概率形式分布的簇假設，為了有效發(fā)現噪聲和異常數據點，提出基于陰影集和粗糙集的概率不相似函數混合型數據模糊聚類改進算法。針對分類數據，通過增加簇間信息修改模糊k-modes算法的目標函數，達到同時最小化簇內離差和增強簇間分離。另外，為了減少硬質心產生的誤分類，提出了具有簇間信息的分類數據模糊質心聚類改進算法。
　　(5)探討了不同場景中基于陰影集和粗糙集的模糊