一篇供参考的毕业设计论文..docxVIP

摘 要数据挖掘是一种一种提取隐含在大量数据中的潜在的、有用的信息并被人们识别、处理的数据库中的知识发现。聚类分析是数据挖掘的一项重要功能，近年一直受到学术界和工商业界的广泛关注。聚类分析技术得到蓬勃的发展，出现了很多的聚类分析的方法，例如，基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、谱聚类算法等。其中，基于划分的聚类算法，由于思想相对简单，时间效率高，对大规模数据有一定的伸缩性而得到广泛地应用。因此，对基于划分的聚类算法的研究具有很重要的理论价值和实际意义。K-means是一种基于划分的经典聚类算法，本文主要研究K-means算法，并对其做出了详细的阐述、总结和归纳。关键字:数据挖掘 聚类分析 K-means聚类算法AbstractData Mining is the procedure of Knowledge Discovery in Databases (KDD) that extracts the implicit and useful information in large quantities of data to be identified and proceed by people. Clustering analysis as an important function of data mining has been concerned by academia and business community. cluster analysis develop rapidly,there has been a lot of cluster analysis,for example， partitioning, hierarchical, density-based, spectral clustering algorithm etc. Because of the relatively simple thinking, high time efficiency and good scalability for large scale data, the clustering method based on partitioning has been applied in various fields. Consequently, the study of the partition clustering algorithm is theoretical and practical. K-Means is a classical clustering algorithm based on the partitioning. The main work in this thesis is Researching on the K-means algorithm and making a detail, collected and summarized for it.Key words:Data Mining;Clustering Analysis;K-means Algorithm;目 录摘要IAbstractII目录III1 引言11.1 选题背景及研究意义11.2 国内外研究现状21.3应用领域及研究方向32 聚类分析的理论基础52.1概述52.2聚类分析的数据结构和数据类型62.2.1数据结构62.2.2数据类型72.3 聚类分析的相似性度量92.3.1元组之间的相似性度量方法92.3.2簇之间的相似性度量方法112.4 分簇依据及准则函数112.5 基于划分的聚类算法122.5.1划分聚类算法综述122.5.2划分聚类算法流程132.5.3典型的划分聚类算法143 K-means聚类算法163.1 基本原理163.2 算法流程图183.3 实验结果与分析194总结29致谢30参考文献31附录：源程序或关键代码321 引言1.1 选题背景及研究意义数据挖掘（Data Mining）将数据库管理系统和人工智能中机器学习两种技术相结合，用数据库管理系统来存储数据，用机器学习的方法来分析数据，从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。还有很多和这一术语相近似的术语，如从数据库中发现知识（KDD）、数据分析、数据融合（Data Fusion）以及决策支持等。聚类分析(Clustering Analysis)应用十分广泛，它是数据挖掘中的一个重要的研究课题，通常用于分析数据并且能够从中发现一些非常有用的信息的一种方法。聚类分析又被称作群分析，它是一种统计的分析方法，是指将抽象的集合划分成为由类似的对象组成的对象类