摘要:本文对聚类方法进行了综述，系统的解释了聚类的几个典型的方法。其中适合小规模数据的划分法，典型方法为K-means法，并找出这种方法的缺点，对此进行一下优化；“自上而下”的分解性层次聚类法和“自下而上”的聚结性层次聚类法，层次法的典型算法为CURE算法，CURE算法在孤点处理上比较良好，解决了相似大小和偏好球形问题，但对带状数据处理不满意；DBSCAN算法是经典的基于密度的聚类算法，可以发现随意大小和形状的簇，而且具有一定的去噪声能力，可是当簇之间的密度有比较大的变化时，给DBSCAN算法设置合适的参数是比较困难的；模糊聚类法比较具有代表性的是FCM法，对此方法进行了介绍和改进；智能算法介绍了粒子群聚类法，突破了传统聚类法的瓶颈；高维数据法的主成分分析法是一种无监督降维广泛使用的统计方法，在这里我们证明了对于k - means聚类来说主成分是解决离散集群成员的连续指标。

关键词：聚类方法；K-means法；层次法；优化；主成分分析

目录

摘要

Abstract

1 引言-1

2 聚类的几种方法-1

2.1 划分聚类法-1

2.1.1 划分聚类法介绍-1

2.1.2 K-means算法的根本理念-2

2.1.3K-means缺点-3

2.1.4优化初始聚类中心的K-means算法-3

2.1.5结论-3

2.1.6进行改进的Kmeans算法简介-4

2.2 层次聚类法-4

2.2.1 层次聚类法的介绍-4

2.2.2 CURE算法介绍-4

2.2.3CURE算法思想和步骤-5

2.3 密度聚类法-6

2.3.1 密度聚类法介绍-6

2.3.2 DBSCAN介绍-6

2.3.3OS-DBSCAN算法-7

2.4 模糊聚类法-7

2.4.1 模糊聚类法简介-7

2.4.2 FCM简介-8

2.4.3 FCM算法改进-8

2.4.4 结论-9

2.5 智能聚类法-9

2.5.1 粒子群聚类算法（粒子群优化算法介绍）-9

2.5.2 基本粒子群聚类算法-10

2.5.3 粒子群聚类研究现状-11

2.6 高维数据算法-12

2.6.1 高维数据算法介绍-12

2.6.2 主成份分析与K均值聚类-12

结论-19

参 考 文 献-20

致谢-22