摘要: 本文研究了数据挖掘中聚类算法及应用,提出一种改进的模糊C-均值(MFCM)聚类算法,并把它应用于指导丙烯腈反应器参数调整.全文主要包括以下三个方面:1.由于聚类优化搜索空间的范围巨大,以及分类目标函数的非光滑性使得算法中存在大量的局部最小点,因此... 展开 本文研究了数据挖掘中聚类算法及应用,提出一种改进的模糊C-均值(MFCM)聚类算法,并把它应用于指导丙烯腈反应器参数调整.全文主要包括以下三个方面:1.由于聚类优化搜索空间的范围巨大,以及分类目标函数的非光滑性使得算法中存在大量的局部最小点,因此聚类问题成了一类复杂的优化问题.本文提出一种改进的基于蚁群聚类的学习算法并用到数据分类上,通过试验验证了算法的有效性,使算法最终能达到满意的分类效果.2.模糊C均值聚类算法是目前应用比较广泛的模糊聚类算法,但算法本身在选取聚类中心点时采用的是随机选取,易使得迭代过程陷入局部最优解.因此本文提出一种基于蚁群算法的模糊C均值(MFCM)聚类算法,该算法根据蚁群聚类算法确定模糊聚类个数,以及FCM算法的初始聚类中心,利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解.3.以某工厂丙烯腈反应器为研究对象进行聚类分析,根据聚类结果,对丙烯腈反应器参数调整,能够得到较高的收率. 收起