1、在這個(gè)“信息爆炸”的時(shí)代，人們經(jīng)常面對著海量的數(shù)據(jù)，例如海量文本數(shù)據(jù)、Web數(shù)據(jù)、多媒體數(shù)據(jù)等，而這些數(shù)據(jù)中隱藏著大量的對人們有用的重要信息，如何用某種有效手段，從這些海量數(shù)據(jù)中提取出這些潛在有用的、可以用于提供決策支持的信息，數(shù)據(jù)挖掘便應(yīng)運(yùn)而生了。聚類作為數(shù)據(jù)挖掘的一個(gè)重要分支，對人們的日常生活都產(chǎn)生非常重要的影響。現(xiàn)在聚類主要的技術(shù)可以分為:劃分方法、層次方法、基于密度方法、基于網(wǎng)格方法和基于模型方法。
　　本文的主要研究工作

2、包括下面兩個(gè)方面;
　　1.從基于劃分的K-medoids聚類算法的理論基礎(chǔ)入手，探討K-medoids算法的不足，提出了一種基于改進(jìn)禁忌搜索的K-medoids聚類算法。禁忌搜索算法是模擬人類短暫記憶的一種優(yōu)化算法，具有很強(qiáng)的全局搜索能力。針對禁忌搜索算法比較依賴初始解的缺點(diǎn)，將粒計(jì)算和最大距離積算法相結(jié)合，將改進(jìn)后的禁忌搜索算法提高了K-medoids聚類的準(zhǔn)確率，有較強(qiáng)的穩(wěn)定性。通過仿真實(shí)驗(yàn)，驗(yàn)證了該方法的可行性。