优化KPCA特征提取下的FCM算法研究

利用核函数主元分析（KPCA）方法对大样本、高维数据进行特征提取预处理,并结合文化算法（CA）选择最优或接近最优的核函数,将其用于模糊C均值（FCM）聚类中,不但有效地提取了样本的非线性信息,而且使样本维数得到约简。实验表明该方法具有较好的聚类效果和更少的训练时间。     

数据挖掘技术在农业生产决策支持系统中的应用

基于农业生产中积累的大量的数据信息,构建了基于数据仓库技术和数据挖掘技术的农业生产决策支持系统。该系统通过数据仓库存储各种与农业生产有关的多维的数据,利用联机分析处理模块实现多维数据分析,然后通过数据挖掘技术中的决策树分类分析、关联分析以及聚类分析等方法从数据仓库中获得决策知识库。     

基于马氏距离特征加权的模糊聚类新算法

模糊聚类分析是模糊模式识别中一个重要研究领域,而其中最经典的模糊C均值算法认为样本矢量各特征对聚类结果贡献均匀,没有考虑不同的属性特征对模式分类的不同影响,在处理属性高相关的数据集时,该算法分错率增加。针对这些问题,提出了一种基于马氏距离特征加权的模糊聚类算法,利用自适应马氏距离的优点对特征加权处理,对高属性相关的数据集进行更有效的分类。实验证明该方法的可行性和有效性。     

特征文本提取的网络社团划分聚类算法

传统的文本聚类方法都是基于簇的算法,文本聚类错误率较高,效率较低。本文提出了一种新的文本聚类算法,首先将特征文本提取,根据特征文本之间的相似度构造一个加权的复杂网络,利用加权复杂网络社团划分方法对其网络进行社团划分,实现文本聚类。将文本特征提取,实现网络稀疏性,提高聚类效率;利用网络的社团划分提高了文本的聚类效果。实验证明该方法的可行性和有效性。     

基于自适应马氏距离的模糊c均值算法

经典的模糊c均值（FCM）算法是基于欧氏距离的,它只适用于球型结构的聚类,且在处理高维的数据集时,分错率增加。针对以上两个问题,提出了一种新的聚类算法（FCM-M）,它将马氏距离与模糊c均值相结合,并在目标函数中引进一个协方差矩阵的调节因子,利用马氏距离的优点,有效地解决了FCM算法中的缺陷,并利用特征值、特征矢量及伪逆运算来解决马氏距离中遇到的奇异问题。通过数据聚类和图像分割两组实验,证实了该方法的可行性和有效性。     

计算机数据挖掘技术的开发与应用

本文主要以计算机数据挖掘技术的开发与应用分析为重点进行阐述,首先分析计算机数据挖掘技术和大数据之间的关联,其次介绍计算机挖掘技术的开发措施,最后从市场营销过程中应用挖掘技术、金融投资过程中应用数据挖掘技术、人事管理过程中应用数据挖掘技术、信息档案开发管理过程中应用数据挖掘技术、在网络病毒防御系统开发中应用数据挖掘技术几个方面深入说明并探讨计算机数据挖掘技术的应用途径,旨意在为相关研究提供参考资料。