数据挖掘中的模糊聚类分析及其应用

数据挖掘是一种新兴的信息处理技术,模糊聚类是数据挖掘领域中的一个重要研究课题。论文从数据挖掘的概念出发,研究分析了模糊聚类的主要算法,并从多个方面对这些算法性能进行比较,同时还对模糊聚类分析在数据挖掘中的应用进行了阐述,最后对模糊聚类的研究领域进行了总结和展望。     

基于改进模糊k均值算法和神经网络算法的数据挖掘模型

为解决神经网络算法中样本数据包含大量与目标数据无关的属性而导致网络训练时间长、效率低的问题,提出基于改进模糊k均值(FKM)和BP神经网络算法的数据挖掘模型.利用改进的FKM聚类算法对输入数据的属性进行聚类,摈弃与目标属性相关性弱或冗余的属性,保留相关性强的属性,减少了神经网络的训练样本数据量,提高了网络的训练效率.对儿童血红蛋白含量的预测结果表明,该模型具有很好的实用性和可靠性.     

基于聚类分析的属性数据挖掘技术

数据挖掘作为一门新兴的数据处理技术已受到人们广泛的关注，聚类分析技术是数据挖掘中的一种重要技术，本文介绍一类数值数据的挖掘方法，同时提出一个基于属性划分的聚类分析方法。     

基于灰色聚类分析的软件项目绩效模糊评价模型

针对软件项目绩效评估过程中存在的问题,研究了一种基于灰色聚类分析的软件项目绩效模糊评价模型.首先分析软件项目绩效评估指标选取原则,建立软件项目绩效评估指标体系;其次建立基于熵权法的软件项目绩效评估指标权重分配模型;然后针对软件项目绩效评估情况,划分软件项目绩效评估级别,建立不同软件项目绩效评估级别的灰色聚类白化权函数,进而建立软件项目绩效评估的灰色聚类分析模型,给出相应模型的实现算法;最后结合算例对文中的模型和算法进行验证分析,说明模型与算法的可行性.     

基于O型模糊关系的模糊聚类分析

本文首先证明了在O型模糊集的交、并运算分别是三角模和三角余模的前提之下，合理的有意义的交、并算子分别为∧和∨．在此基础上，我们讨论了利用O型模糊关系进行模糊聚类的意义及可行性。     

基于区间值的模糊聚类分析

分析了原有模糊聚类分析中存在的问题，提出了基于区间值的模糊聚类分析方法．该方法用区间值表示各个对象对于每个因素状态的隶属度，在获取了每个对象对于每个因索的特征值后，将其转化为[0，1]上的区间，然后直接在区间的层次上求各个对象间的相似度，在如此求出的相似矩阵的基础上，直接得出聚类的结果．该方法用区间值表示各个对象的属性值，可以更接近于每个对象的客观、真实情况，从而可以更大程度上保留信息．     

基于模糊数模糊集的聚类分析

提出了模糊数模糊集及模糊相似矩阵的概念,建立了基本模糊数模糊集的聚类分析理论,并引入了分类可信度的概念。     

模糊聚类分析的一个改进算法及其应用

对传统模糊聚类分析方法进行研究,指出其不足之处,给出一个改进的模糊聚类分析算法,即对传递闭包进行逐行逐列改造,得到较优模糊等价矩阵,用它进行聚类比直接用传递闭包进行聚类更为合理,同时应用该方法对大学生综合素质进行评定.     

模糊聚类分析算法的改进Matlab语言程序设计

在M atlab语言环境下实现了模糊聚类分析算法,并给出了一实例.函数show的编制方便、直观地将分类结果显示在用户面前.该程序的编制为模糊聚类分析的应用提供了一种简便运算的方法.     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

基于数据挖掘的聚类分析算法研究及应用

“以学生为中心”的智能教育,旨在用互联网和人工智能辅助教学,不再局限于传统的课堂.太原师范学院紧跟时事,创立了智能教育产业学院,目的是采集、处理和分析教育数据,为相关部门提供决策依据,服务地方教育.其中,如何更高效地分析数据是一大难点,利用人工分析显然不是很好的选择,随着数据挖掘领域的发展,当中的聚类分析算法成了较好的选择.通过对聚类分析及其相关算法特性的简要论述,从多个方面系统地比较了当前这些聚类分析算法的特点和优缺点.然后,基于高校学生在校上网行为的数据,将改进的k-means算法应用于聚类分析软件SPSS中分析上网行为对成绩的影响,进一步阐述了聚类分析软件在大数据工程中的应用.     

基于数据挖掘技术的试卷质量聚类分析系统

教育是一个复杂的系统工程,试卷质量分析是这系统工程中的重要环节。为了全面地分析试卷背后隐藏的内在问题,本文在k平均分区算法和层次凝聚算法的基础上,提出了一种速度更快、聚类质量更好的聚类算法(ICAA算法),并已成功地将该算法应用到试卷质量分析中。     

基于模糊神经网络的数据挖掘算法

提出一种基于模糊神经网络进行数据挖掘的新方法。构成模糊神经网络的模糊化层采用高斯函数计算5个模糊隶属度,高斯函数需要的均值、方差以及隶属度的中心值都可通过预先计算采集到的数据得到。模糊推理层采用取小取大运算代替常用的积和运算,加快了网络的推理速度。在模糊神经网络训练阶段,首先利用重心法对模糊化层输出进行反模糊化,再采用BP思想,利用梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理精度和速度,通过设立相应的规则对网络进行裁剪,剪掉多余的节点和权值,最后依据一定的思想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进行仿真,结果表明,该网络具有较高的精度和较好的鲁棒性。     

数据挖掘中的聚类分析研究

数据挖掘是信息产业的热门研究方向,聚类分析作为其核心技术,早已经被深入的研究。本文探讨了聚类分析的统计量,对聚类方法和算法进行了比较和分析,以便在日常应用中能准确快速的选择特定的算法。     

基于MATLAB的模糊聚类分析及应用

将MATLAB应用于模糊聚类分析,给出求解模糊相似矩阵和传递闭包的算法.     

基于模糊聚类分析的网络安全综合评价

模糊聚类分析主要用于研究样本的分类问题.利用层次分析方法给出了样本指标的权重,进一步引入了加权相似系数和加权距离系数的计算公式.在该系数的基础上,提出了一种既能考虑到样本之间的值贴近程度,又能考虑到样本之间的形贴近程度的改进统计量--相似度,用相似度矩阵替代传统的相似矩阵,得到了模糊聚类分析方法的改进.将其应用到网络安全综合评价实际样本数据的聚类分析中,结果表明改进的模糊聚类分析方法是有效的.     

改进的模糊聚类分析方法在MATLAB中的实现

聚类分析就是用数学的方法来研究和处理给定对象的分类.本文通过具体的实例研究,用Matlab这一数学工具编程实现了模糊聚类分析方法.同时对得到的结果通过隶属度的加权进行了修正,得到了更符合实际的分类.     

基于犹豫三角模糊相关系数的聚类分析

针对评估值为犹豫三角模糊元的聚类问题,提出了基于犹豫三角模糊相关系数的聚类算法。首先给出犹豫三角模糊相关系数的定义和计算公式;其次考虑到犹豫三角模糊元权重的影响,将犹豫三角模糊相关系数推广为犹豫三角模糊加权相关系数;最后将提出的方法应用于犹豫模糊环境下的聚类问题,实例分析验证本文方法的可行性。     

基于Web的数据挖掘模型

Web上有大量的数据信息,怎样对这些数据进行复杂的应用成了现今数据库技术的研究热点.提出一个具有良好发展前景的基于Web进行数据挖掘的模型,并详细阐述了该模型的结构和工作机理.     

一种基于数据挖掘的模糊模型辨识及参数调整新方法

基于数据挖掘思想,运用模糊集合理论和改进的梯度下降方法,提出一种通用的、同时辨识模糊模型、调整其参数及确定输出变量空间最优划分的新方法,该方法不仅能够修剪冗余和冲突的初始模糊规则,而且通过引入动态误差传递因子,解决了梯度下降法中存在的收敛速度和振荡之间的冲突问题,用经典的倒车控制问题进行了验证,仿真结果表明了本方法的有效性和准确性。