1、聚類分析是數(shù)據(jù)挖掘的一個重要分支，模糊理論的引入給聚類分析注入了新的活力。目前，模糊聚類已廣泛應(yīng)用于統(tǒng)計學(xué)、市場學(xué)、生物學(xué)等領(lǐng)域?，F(xiàn)有聚類算法大多不適用于強噪聲數(shù)據(jù)，本文針對此類問題提出了基于參數(shù)尋優(yōu)的模糊聚類算法，具體內(nèi)容如下。
　　首先對經(jīng)典模糊C均值聚類算法(FCM)的適應(yīng)性進行了研究，并對其進行了改進。FCM算法的距離度量從L2范數(shù)改為Lp范數(shù)可提高魯捧性，但p參數(shù)的選擇較難，針對此問題我們提出了中心點估計算法FMMLE(

2、Fuzzy Multi-MetricLocation Estimation)，并通過實驗證實了其主要優(yōu)點在于能夠自動搜索出最優(yōu)的p值，因而具有較強的魯棒性。另外，在此算法的基礎(chǔ)上，提出了異常點檢測算法FRMMC(Fuzzy Robust Multi-Metric Clustering)，并采用模擬數(shù)據(jù)及真實的Wisconsin乳腺癌數(shù)據(jù)驗證了算法的有效性。最后，將上述參數(shù)尋優(yōu)的思想推廣到非線性分類問題，針對模糊核聚類算法中核參數(shù)選擇難的