基于聚类分析的数据挖掘方法研究.pdfVIP

山东农业大学学报 自然科学版( ),2017,48(1):100-103 VOL.48NO.12017 Journal of ShandongAgriculturalUniversity (Natural ScienceEdition ) doi:10.3969/j.issn.1000-2324.2017.01.020 基于聚类分析的数据挖掘方法研究 黄 蓉 湖南科技职业学院, 湖南 长沙 410007 摘 要: 针对FCM算法的聚类效果易受其初始中心位置影响和易陷入局部最优的缺点，将灰狼优化算法和FCM结合， 提出一种基于GWO 优化FCM 的聚类分析方法。以KDD CUP99数据集为研究对象，研究结果表明，与PSO、GA 和SA 算法相比较，GWO 算法聚类分析的准确率和误判率更低，具有更快的收敛速度，效果更优，从而为数据聚类 分析提供新的方法和途径。 关键词: 聚类分析; 数据挖掘 中图法分类号:TP391.1 文献标识码:A 文章编号:1000-2324(2017)01-0100-04 Study onDataMiningBasedonClusteringAnalysis HUANGRong Hunan Vocational Collegeof Scienceand Technology, Changsha410007,China Abstract:Aimingtotheclustering effect onFCM algorithm iseasily affectedbytheinitiallocation and fellintolocal optima, the gray optimization algorithm is applied to improving FCM to put forward a method of clustering analysis GWO_FCM. The KDD CUP99 data set as the research object, the research results showed that GWO algorithm of clustering had a accuracy and lower error rate, comparing with PSO, GA and SA algorithm, it was with faster convergence speed and better effect so astoprovideanew approach for dataclusteringanalysis. Keywords:ClusteringAnalysis;datamining 聚类分析是数据挖掘技术中一项重要技术，其根据一定规则将数据集分成若干组或者若干类的 过程，同组或者同类数据具有一定相似度，不同组或不同类中的数据在划分规则上不具相似性。目 前，聚类分析被广泛地应用于模式识别、图像处理、市场分析和数据分析等领域。目前聚类理论较 [1] 为完善的算法为FCM 算法和K-means 算法。FCM 算法 具有算法简单、收敛速度快、处理大数据 集等优点，但其聚类结果易受初始中心位置影响，且结果容易陷入局部极小值。 [2] 针对FCM 算法易受初始中心点位置和陷入局部最优的缺点，将灰狼优化算法 （Grey Wolf Optimization，GWO）和FCM 算法结合，提出一种GWO 优化FCM 的聚类分析方法，避免FCM 算 法陷