知识发现中的模糊聚类方法研究+FCM算法(9)
Y∕ km 30.4 30.5 31.1 31.2 30.5 31.2 31.4 31.9
位置 9 10 11 12 13 14 15 16
X∕ km 12.6 12.8 12.7 13.4 18.5 18.7 19.3 19.5
Y∕ km 31.5 31.1 31.8 31.6 31.1 31.0 31.1 31.8
表3 敌方多机位置
其得到聚类结果如表4所示。
表4 改进后FCM算法的聚类结果
改进后的FCM
类1中心 0.5993,30.7988
类2中心 5.8017,31.2023
类3中心 12.90001,31.4502
类4中心 19.0021,31.4445
循环次数 13
运行时间 0.0465
由以上结果对比可以看出，在空战多目标编队之间距离相对较大时，该改进的FCM算法更能对真实多目标来划分，且更能与实际态势相符。
5．结论
5.1 本文研究工作总结
本文在对模糊聚类的相关理论和方法进行全面、系统的研究的基础上，对FCM算法提出了一些改进的方法, 并将改进后的方法应用到知识发现过程中。本文主要的研究工作包括以下几个方面：
本文回顾了模糊聚类理论及其分析的方法，并重点研究了模糊C―均值(FCM)聚类算法，对其实现原理及实现步骤都进行了详细阐述。
(1) 本文针对模糊C―均值算法无法自动得到最佳聚类数目的缺陷，对其进行改进。本文所采用改进后的FCM算法是一种基于减法聚类的FCM算法。利用减法聚类得到聚类数目和聚类中心，作为FCM算法的起点来初始化FCM算法，不仅不需要预先设定分类数目，而且提高了算法效率。
(2) 本文将改进后的模糊C―均值(FCM)算法应用到知识发现过程中，并通过实例证明，取得了良好的效果。
5.2 后续研究工作与展望
将模糊聚类方法应用于知识发现这一领域是一个很有意义的课题，有着广泛的使用价值。但到目前为止，由于本人水平的局限以及时间上限制，本文只是在这领域做了很小部分分析研究，还有许多问题有待进一步深入研究：
(1) 文中提出改进的模糊聚类初始化算法，是通过计算减法聚类对模糊聚类数和初始聚类中心进行优选，但模糊聚类算法的改进还有很多，如对模糊加权数m的选择等。因此，在今后工作当中继续探究参数m有效性评价规则，并结合特定应用领域，对m的选取提供理论指导。
(2) 在将改进的FCM算法应用于知识发现中时，只是采用了某一具体的实例来统计数据并进行研究分析，并不一定具有广泛的代表性。在今后的工作中，应该结合现实当中更多信息处理中的分析数据，加以分析研究。