1、數(shù)據(jù)挖掘就是從大量的、不完全的、有噪音的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。聚類分析是數(shù)據(jù)挖掘領(lǐng)域中重要的研究課題，用于發(fā)現(xiàn)大規(guī)模數(shù)據(jù)集中未知的對象類。因此，聚類算法的研究具有重要的意義和廣闊的前景。本文針對傳統(tǒng)K-means聚類算法和基于密度聚類算法進(jìn)行了重點(diǎn)研究并對所存在的問題提出了改進(jìn)算法。 K-means聚類算法在數(shù)據(jù)挖掘領(lǐng)域具有非常重要的應(yīng)用價值。但隨著應(yīng)用領(lǐng)域

2、的拓展和新的問題需求，K-means本身存在的局限越來越突出。首先，隨機(jī)選取的初始值可能會導(dǎo)致不同的聚類結(jié)果，甚至?xí)斐蔁o解。其次，K-means算法采用了典型的爬山搜索方法，易于陷入局部最優(yōu)。本文針對K-means聚類算法存在的缺陷提出了KSNN聚類算法。KSNN在數(shù)據(jù)集中搜索中心點(diǎn)，依據(jù)中心點(diǎn)查找數(shù)據(jù)集個數(shù)，為K-means聚類提供參數(shù)。有效克服了K-means需要人工設(shè)定聚類個數(shù)的問題，同時具有較好的全局收斂性。其次，為了解決數(shù)據(jù)

3、集密度分布不均勻等實際應(yīng)用問題，本文改進(jìn)了基于密度的聚類算法，提出了CABONW聚類算法。CABONW首先利用最近鄰居節(jié)點(diǎn)的方法構(gòu)建出數(shù)據(jù)集中節(jié)點(diǎn)間的自然鏈接關(guān)系，然后建立節(jié)點(diǎn)間優(yōu)先級，并將其用于對數(shù)據(jù)節(jié)點(diǎn)的有效關(guān)系進(jìn)行排序，生成順序表。最后，通過對順序表的深度優(yōu)先搜索生成最終的簇。通過與DBSCAN、OPTICS等基于密度聚類算法的對比實驗證明，CABONW很好地解決了密度分布不均勻的數(shù)據(jù)集的處理，執(zhí)行效率優(yōu)于DBSCAN和OPTIC