聚类分析是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法.聚类的应用是非常广泛的,无论是在商务上,还是在市场分析、生物学、Web文档分类等领域中都得到了充分的应用.目前,聚类算法存在如下的问题:符号属性问题、算法的效率问题、初值的选择问题、对输入顺序的敏感性问题、最优解问题、算法对输入参数的依赖性问题.该文针对以上问题,以模糊c-均值算法为基础,研究了如何降低算法对初值和输入参数的依赖,自主进行全局搜索,找到全局最优解;研究了如何提高算法的效率,使聚类算法迅速收敛;研究了如何提高算法的有效性等问题.模糊c-均值聚类(FCM)算法是最早的目标函数聚类算法,也是目标函数聚类算法中研究得比较充分的算法.但是,模糊c-均值聚类算法的研究中仍旧存在薄弱环节和不足之处.算法对初始值敏感和容易陷入局部最优解的问题就是一个薄弱环节.针对这种研究现状,该文提出了一种基于遗传算法的模糊聚类方法.将遗传算法与FCM算法相结合,用遗传算法找到保持全局特性的聚类中心数目及初值作为FCM算法的初始值,继续进行局部搜索从而确保求得全局最优解.同时,模糊聚类能够获得更丰富的聚类信息,然而由于计算复杂度高,造成聚类时间冗长.用硬聚类的结果对模糊聚类初始值的选取进行指导,可以加速算法的实现过程.所以,该文把硬聚类和模糊聚类相结合,构造快速模糊c-均值算法,从而使算法速度得到了提高,推动了模糊聚类算法在大量数据聚类中的实际应用.最后,提出引入加权距离的模糊聚类方法.加权距离的引入,导致了两极分化,空间数据点之间,距离远的变得更远,距离近的变化不大,使得更易于聚类,分类清晰,得到很好的聚类效果.