FCM聚类算法的研究+visio图+文献综述(2)
目录
摘要 I
Abstract II
1 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究现状 2
1.3 本课题研究的主要内容和组织结构 5
2 聚类算法的基础知识 7
2.1 聚类 7
2.2 模糊聚类 9
2.2.1模糊集合 9
2.2.2 模糊聚类分析 10
2.3 本章小结 11
3 FCM聚类算法 12
3.1 FCM聚类算法原理 12
3.2 FCM聚类算法的实现过程 15
3.3 基于FCM聚类算法的图像分割 16
3.3.1 仿真结果与分析 16
3.3.2 FCM聚类算法在图像分割中存在的问题 19
3.4 本章小结 20
4 改进的FCM聚类算法 21
4.1 基于核函数的聚类方法 21
4.1.1 核函数方法的基本理论 21
4.1.2 核模糊C均值聚类算法 23
4.2 基于核函数的改进的FCM聚类算法 26
4.2.1 基于非欧式距离的FCM聚类算法 26
4.2.2 放松的归一化条件 28
4.2.3 基于核函数的IAFCM聚类算法 29
4.3 仿真结果分析 32
4.4 本章小结 34
5 总结与展望 35
致谢 36
参考文献 37
1 绪论
1.1 研究背景与意义
信息技术的高速发展，使得数据的收集与存储技术不断进步，导致大量的数据积累下来。面对形势多样的海量数据，人们要从中提取到有用的信息已成为一项挑战。由于数据量极大，通常情况下传统的数据分析工具和技术已无法对它们进行处理。那么怎样才能将数据存储库中存在的那些不能被人们合理利用的数据变成在现实生活中对人类有用的信息，类似这样的问题让人们迫切需要强有力的数据分析工具处理，将预处理的数据转变成有用的信息应用于实际生活中。在这样的情况下，数据挖掘技术诞生了。数据挖掘是从大量有噪声的、模糊而随机的数据中提取出对人们有用的信息，这些信息可能不被人们预先知晓，但又存在着潜在的价值。它是一门新兴的混合学科，汇集了来自统计学、人工智能、模式识别等领域的研究成果。
分类和聚类分析都是数据挖掘中的主要功能。所谓分类，是根据预先定好的一些特征值对数据进行分类，这里的类是预先确定好的，只需要将各个数据具体属于哪一类标记出来。与分类不同，在聚类过程中，人们不必事先给出聚类准则，也不需要任何先验知识，仅仅从数据本身出发，自动进行分类。因而聚类分析又称为无监督分类。
在提取数据的过程中，数据的分布情况可以由聚类分析获得，进而观察到每一类的特点，然后对一些特定的类进一步分析。目前，有效的聚类方法层出不穷，对于相同的样本集，采用不同的聚类方法，所得结果是不同的。但随着计算机的迅速发展，基于目标函数的聚类方法应用最为广泛。一方面可以运用现代数学方法对聚类问题进行求解，另一方面易于用计算机来实现算法的求解过程。聚类分析就是使用聚类算法来发现有意义的聚类，因而各种聚类算法已在很多领域得到广泛应用，例如在图像处理中进行图像分割，在模式识别中进行语音识别等等。