摘 要:在聚类算法中，基于模糊划分的模糊C-均值（FCM）算法是一种重要的算法.FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小.它有深厚的数学基础和完善的理论，但是它还存在一些不足之处.

本文针对传统FCM算法结果中在模糊边界上存在部分模糊点划分错误的问题，提出了一种对模糊点的二次聚类新算法.在FCM算法结果中，根据隶属度较高的清晰点，定义一种新的基于清晰半径的相似性距离，对模糊点的隶属度进行二次计算.新方法以各类中的数据分布特征为依据，对模糊点和清晰点，分别采用不同的相似性距离计算隶属度，从而能够重新确定模糊点的类别归属.这种改进算法的特点就是定义了新的清晰半径，使得对模糊点的隶属度分类更加清晰.与FCM算法的实验结果比较发现，这种方法能提高聚类的精确度,有效纠正分类错误，提高模糊点的精度，在密度差异较大的数据集上具有一定的应用潜力.

关键词：模糊聚类;模糊点;相似性距离;清晰半径;二次聚类

目录

摘要

Abstract

第1章 绪论-1

1.1 背景及意义-1

1.2 基本框架-3

第2章 基于清晰半径的模糊点二次聚类算法-5

2.1 模糊C均值聚类算法-5

2.2 基于清晰半径的模糊点二次聚类算法-5

2.3 改进FCM算法公式推导-6

第3章 程序设计-9

3.1 改进算法的步骤-9

3.2 编程思路及代码实现-9

第4章 实验结果分析-11

4.1聚类结果-11

4.2隶属度的调整分析-11

第5章  结论与展望-15

5.1 结论-15

5.2 不足之处及未来展望-15

参考文献-17

致  谢-19