1、模糊聚類算法是一種非監(jiān)督的聚類算法，比如典型的FCM、PCM聚類算法，在生活中有廣泛的應用，然而基本的模糊聚類算法有各自的缺點，如FCM對噪聲點敏感，PCM容易將類中心重合等，鑒于此可以提出混合聚類算法，該算法在保留它們單個算法優(yōu)點的同時又避免了它們的缺點，在實驗中得到了較為理想的效果。由于現(xiàn)實數(shù)據(jù)的復雜性，對于很多高維的數(shù)據(jù)以及異構數(shù)據(jù)集，混合聚類算法又顯示出了它的不足，基于上述原因，本文引入Mercer核，提出了基于核的混合模型聚類

2、算法，并通過實驗仿真，證實了這些算法的有效性。
　　本文具體的內(nèi)容安排可分為以下3點：
　　1、鑒于人們對于核理論的初步研究，本文在第一和第二章簡單介紹了核方法的研究背景及其原理，對聚類分析的理論基礎和方法進行了歸納和總結。并給出了KPCM1和KPCM2兩種基本的核聚類算法。
　　2、FCM和PCM的混合模型可以克服它們單獨聚類時的缺點，在聚類效果上有很大改進，但是對于特征不明顯的樣本而言，這種混合模型的聚類效果并不太

3、好，為了克服這一缺點,本文在第三章引入Mercer核，提出了一種新的基于核的混合c-均值聚類模型（KIPCM），運用核函數(shù)使得在原始空間不可分的數(shù)據(jù)點在核空間變得可分。通過數(shù)值實驗，得到了較為合理的中心值以及較高的正確分類率，證實了本文算法的可行性和有效性。
　　3、針對多數(shù)據(jù)源或異構數(shù)據(jù)集，單個核函數(shù)在處理數(shù)據(jù)上有各自的優(yōu)點，然而也有各自的缺點。比如，輸入空間是兩個向量組成的空間，第一個向量服從多項式分布，而第二個向量服從高斯分