模糊聚类分析及其在信息检索中的应用

本文集中介绍了如何从文本数据中获取信息。典型的文本查询问题是基于用户的输入来定位相关的文本,而文本的相关性是个模糊的概念。为了对这个模糊的概念以客观的度量,我们通过模糊聚类分析,计算出文本间的相关度。最后用一个实例加以说明,得到了比较客观的结果。     

模糊聚类分析方法在小气候区划中的应用

本文对某山区小气候,采用了基于模糊等价关系的模糊聚类分析方法,并应用计算机技术,对小气候区划进行了探讨。     

模糊蚁群聚类及其在数据挖掘中的应用

提出了一种基于蚁群算法的动态模糊聚类分析方法,并研究其在数据挖掘中的应用。该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态的确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足。从而将蚁群算法与模糊C均值聚类有机的结合,实现了基于改进的目标函数聚类分析,可以寻求到具有全局分布特性的最优聚类。     

模糊聚类分析在数据挖掘中的应用研究

数据挖掘是从大量数据中用平凡的方法发现有用的知识。聚类分析是数据挖掘的一个重要研究领域,它是按照一定的要求和规律将事物进行分类的一种数学方法。随着模糊数学的兴起,用精确的数学的方法研究模糊问题,人们逐渐将精确和模糊统一起来。论文将模糊数学的模糊理论应用于数据挖掘的聚类分析中,讨论了如何利用样本之间的模糊关系分析样本之间的关联程度,给出了模糊聚类分析在数据挖掘中的应用的主要步骤,以及相应的实例分析和程序设计。     

基于MATLAB的模糊聚类分析的传递方法

聚类分析中的传递方法是直接通过模糊相似矩阵获得动态聚类图，该方法比通过传递闭包法求模糊等价矩阵而获得动态聚类图的方法在时间复杂度和空间复杂度要小，本文对重点介绍传递方法，并给出了由MATLAB语言实现的算法程序，并介绍了一个应用实例。     

数据挖掘中的模糊聚类分析

该文提出了一种用于数据挖掘的基于模糊集的聚类分析方法,论述了该方法的聚类过程,并给出了聚类分析的实例和程序模块流程。     

模糊聚类最大树算法在教学质量评估中的应用

应用模糊聚类最大树算法对教学质量评估指标进行聚类以确定关键评估指标集,使用模糊相似关系挖掘出大量数据中教学质量评估指标与评估等级之间的规则,并以本校数据实例为对象建立教学质量评估模糊数据挖掘验证了该方法的有效性。     

模糊聚类分析在网络资源分析中的应用

目前网络已是信息获取的主要来源,有效利用网络资源是网络技术的重要目标,为此,有必要对网络资源进行分类研究。文章将基于模糊数学的模糊聚类分析法应用于网络资源分析,使网络资源得到合理分类。     

模糊聚类在股票投资中的应用

聚类分析即将一组事物根据其性质上亲疏远近的程度进行分类,把性质相近的个体归为一类,使得同一类中的个体具有高度的同质性,不同类之间的个体具有高度的异质性。模糊聚类分析是现今模糊理论应用最广泛和最富成果的技术之一。阐述模糊聚类的理论,以部分石油股票为例,抽取影响石油股票收益因素的数据,利用最大最小法建立相似矩阵,用传递闭包法作出聚类分析,并进行总结。     

基于模糊聚类算法的故障数据分析与类型识别

为精确分析测量系统故障数据和识别故障类型,提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度,因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点,从而使诊断的数据更加精确。     

基于模糊聚类算法的故障数据分析与类型识别

为精确分析测量系统故障数据和识别故障类型．提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度．因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点．从而使诊断的数据更加精确。     

模糊聚类在入侵检测中的应用

入侵检测系统是网络和信息安全构架的重要组成部分．本文对现有入侵检测技术所存在不足进行分析的基础上．将改进的模糊C均值聚类算法应用于入侵检测。实验采用KDD99数据集进行测试，结果表明，该方法具有可行性和有效性。     

模糊聚类在入侵检测中的应用

入侵检测系统是网络和信息安全构架的重要组成部分,本文对现有入侵检测技术所存在不足进行分析的基础上,将改进的模糊C均值聚类算法应用于入侵检测。实验采用KDD99数据集进行测试,结果表明,该方法具有可行性和有效性。     

按风格划分数据的模糊聚类算法

以K-means和模糊C均值为代表的划分式聚类算法无法有效处理按照风格为标准划分样本的聚类任务.针对此问题,文中提出按风格划分数据的模糊聚类算法.利用风格标准化矩阵表示包含在类簇中样本的风格信息,同时使用逼近标准风格之后的样本计算距离矩阵,并以隶属度表示样本点对于类簇的可代表程度.通过常用的交替优化策略同时优化隶属度矩阵和风格标准化矩阵.文中算法可以有效利用样本的风格信息和样本点与类簇之间的关系信息,在人工数据集和真实数据集上的实验表明算法的有效性.     

数据挖掘中聚类分析的应用分析

随着近几年我国经济的不断发展,其数据量也越来越大,大数据的出现使得数据挖掘技术得到了广泛重视,而聚类分析作为数据挖掘的核心的也越来越受到关注。本文主要介绍聚类分析的具体含义,并分析聚类分析的种类以及聚类分析进行划分时其簇的类型来对聚类分析算法进行详细描述,并通过聚类算法在实践中的应用,为数据挖掘在具体实践中的应用提供依据。     

基于模糊聚类分析的客户分类算法研究

用可定制的评估指标树来描述客户分类的评价体系,让用户自主确定每个评价指标。在此基础上,提出了一种基于模糊聚类分析的客户分类算法,对客户进行分类管理,并给出了一个计算实例,取得了正确的计算结果。该计算实例表明,这个算法可以用于关于客户关系管理的决策支持系统中。     

一种协同的FCPM模糊聚类算法

比重隶属度模糊聚类(FCPM)算法可从不同角度解决聚类问题,取得较好效果。协同聚类算法利用不同特征子集之间的协同关系,并与其它聚类算法相结合,可提高原有的聚类性能。文中在FCPM聚类算法的基础上进行改进,将其与协同聚类算法相结合,提出一种协同的FCPM聚类算法。该算法在原有FCPM聚类算法的基础上,提高对数据集的聚类效果。在对数据集Wine和Iris进行测试的结果表明,该方法优于FCPM算法,说明该方法的有效性。     

数据挖掘中的聚类方法

从空间X中给定一个有限的取样点集(或从数据库中取得有限例子的集合),{x~i}_(i 1)~M,聚类的目标是将数据聚集成类,使得类间的相似性尽量小,而类内的相似性尽量大。分类问题(监督)和聚类问题根本的不同是:分类问题中,我们知道训练例的分类属性值,而在聚类问题中,就需要我们在训练例中找到这个分类属性值。1 数据挖掘领域中的聚类研究