【正文】 擬生物界中蟻群、魚群和鳥群在覓食或逃避敵人時的行為。由于較長的處理時間和數(shù)據(jù)的復雜性，需要進行進一步的研究來使它適用于大型數(shù)據(jù)庫。這樣產(chǎn)生的結果簇可以被看作一個底層特征向高層特征的映射。 ?結果簇的數(shù)目和每個簇中單元的數(shù)目是輸入?yún)?shù)。 ?獲勝的單元修正它與簇中其他單元連接上的權重，以便未來它能夠?qū)εc當前對象相似或一樣的對象做出較強的反應。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 基于模型的聚類方法 ?2. 神經(jīng)網(wǎng)絡方法 ?在某個給定層次中，一個簇中的單元彼此競爭，對低一層的輸出模式做出反應。 ?各層之間的連接是激發(fā)式的，即在某個給定層次中的單元可以接收來自低一層次所有單元的輸入。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 基于模型的聚類方法 ?2. 神經(jīng)網(wǎng)絡方法 ?競爭學習（ Competitive Learning）采用了若干個單元的層次結構，它們以一種“勝者全取”的方式對系統(tǒng)當前處理的對象進行競爭。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 基于模型的聚類方法 ?2. 神經(jīng)網(wǎng)絡方法 ?神經(jīng)網(wǎng)絡以其分布式存儲、并行協(xié)同處理以及自學習等特性被用于聚類分析領域。 ?分類樹對于偏斜的輸入數(shù)據(jù)不是高度平衡的，它可能導致時間和空間復雜性的劇烈變化。 ?缺點是 COBWEB基于這樣一個假設：在每個屬性上的概率分布是彼此獨立的。產(chǎn)生最高分類效用的位置應當是對象節(jié)點的一個好的選擇。 ?在給定一個新的對象后， COBWEB沿一條適當?shù)穆窂较蛳拢薷挠嫈?shù)，以尋找可以分類該對象的最好節(jié)點。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 基于模型的聚類方法 ?1. 統(tǒng)計學方法 ?COBWEB是一種典型的簡單增量概念聚類算法，以一個分類樹的形式創(chuàng)建層次聚類。它將數(shù)據(jù)分成多組，對一組未標記的數(shù)據(jù)對象產(chǎn)生一個分類模式，并對每個分類模式給出其特征描述，即每組對象代表了一個概念或類。概念聚類就是其中的一種。 ?基于模型的聚類方法主要有三類：統(tǒng)計學方法 、 神經(jīng)網(wǎng)絡方法以及基于群的聚類方法 。 ?它的一個潛在的假定就是：目標數(shù)據(jù)集是由一系列潛在的概率分布所決定的 。 給每一個聚類假定一個模型 ， 然后去尋找能夠很好的滿足這個模型的數(shù)據(jù)集 。盡管該算法處理速度較快，但是可能會降低簇的質(zhì)量和精確性。 ?但由于 STING采用了一個多分辨率的方法來進行聚類分析，聚類的質(zhì)量取決于網(wǎng)格結構的最低層粒度。 ?這些參數(shù)包括：屬性無關的參數(shù) count，屬性相關的參數(shù)m（平均值）， s（標準偏差）， min（最小值）， max（最大值），以及該單元中屬性值遵循的分布（ Distribution）類型。 ?針對不同級別的分辨率，通常存在多個級別的矩形單元，這些單元形成了一個層次結構，高層的每個單元被劃分為多個低一層的單元。 STING利用存儲在網(wǎng)格單元中的統(tǒng)計信息來聚類； WAVECLUSTER用一種小波變換的方法來聚類； CLIQUE是在高維數(shù)據(jù)空間中基于網(wǎng)格和密度的聚類方法。此外，在處理高維數(shù)據(jù)時，網(wǎng)格單元的數(shù)目會隨著屬性維數(shù)的增長而成指數(shù)增長。聚類的精度取決于單元格的大小，也就是說通常與目標數(shù)據(jù)庫中記錄的個數(shù)無關，只與把數(shù)據(jù)空間分為多少個單元有關。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?首先將數(shù)據(jù)空間劃分成有限個單元（ Cell）的網(wǎng)格結構，所有的處理都是以單個單元為對象，在這個網(wǎng)格結構上進行的。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?DBSCAN算法的優(yōu)點是能夠發(fā)現(xiàn)空間數(shù)據(jù)庫中任意形狀的密度連通集；在給定合適的參數(shù)條件下，能很好地處理噪聲點；對用戶領域知識要求較少；對數(shù)據(jù)的輸入順序不太敏感；適用于大型數(shù)據(jù)庫。不被包含在任何簇中的對象被認為是“噪聲”。 ?如果一個點 p的鄰域中包含數(shù)據(jù)項的個數(shù)多于最小閾值，則創(chuàng)建一個以 p作為核心對象的新簇。該算法定義簇為密度相連的點的最大集合。 ?基于密度的聚類方中最具代表性的是 DBSCAN算法 、OPTICS算法和 DENCLUE算法 。 ?基于密度的聚類方法從對象分布區(qū)域的密度著手 ， 對于給定類中的數(shù)據(jù)點 ， 如果在給定范圍的區(qū)域中 ， 對象或數(shù)據(jù)點的密度超過某一閾值就繼續(xù)聚類 。 CURE的復雜度是 O(n)， 其中 n是對象的數(shù)目。 ?另外 ， 收縮因子降底了噪音對聚類的影響 ， 從而使CURE對孤立點的處理更加健壯 ， 而且能識別非球形和大小變化比較大的簇 ， 對于大型數(shù)據(jù)庫具有良好的伸縮性 。 它們之間的距離被定義為兩個簇中代表性點之間距離的最小值 。 ?再使用層次聚類算法中的凝聚算法 。 ?當 a為 1的時候 ， 所有點都收縮成一點 ， 即質(zhì)心 。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?CURE（ Clustering Using REprisentatives） 算法中既有層次部分 ， 也有劃分部分 ， 所以 CURE是一個綜合性的聚類算法 。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?該算法的優(yōu)點是具有對象數(shù)目的線性易伸縮性及良好的聚類質(zhì)量 ， 一次掃描就可以進行較好的聚類 ， 其計算復雜度為 O(n)， n是對象的數(shù)目 。 它通過構造滿足分支因子和簇直徑限制的聚類特征樹來求聚類 。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?BIRCH（ Balanced Iterative Reducing and Clustering using Hierarchies） 算法是一個綜合性的層次聚類方法 ，它利用層次方法的平衡迭代進行歸約和聚類 。 比較常見的方法有四種： BIRCH、 CURE、 ROCK和 CHAMELEON。層次分裂的代表是 DIANA（ DIvisive ANAlysis）算法。層次凝聚的代表是AGNES（ AGglomerative NESting）算法。 層次的方法可以分為凝聚的方法和分裂的方法 。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ?基于層次的聚類方法對給定的數(shù)據(jù)進行層次的分解 ， 直到某種條件滿足為止 。此外，這兩種方法都要求用戶指定聚類數(shù)目 K。 ?因此，與 kmeans算法相比，當存在噪聲和孤立點數(shù)據(jù)時， kmedoids算法要較 kmeans算法健壯，而且沒有kmeans算法那樣容易受到極端數(shù)據(jù)的影響。 ?在劃分方法中，最經(jīng)典的就是 k平均（ kmeans）算法和 k中心（ kmedoids）算法，很多算法都是由這兩個算法改進而來的。將對象在不同的劃分間移動，直至滿足一定的準則。這 K個分組滿足下列條件： ?每一個分組至少包含一個數(shù)據(jù)記錄； ?每一個數(shù)據(jù)記錄屬于且僅屬于一個分組 ?（注意：這個要求在某些模糊聚類算法中可以放寬）。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 ? 基于劃分的聚類方法 ? 基于層次的聚類方法 ? 基于密度的聚類方法 ? 基于網(wǎng)格的聚類方法 ? 基于模型的聚類方法 遼寧省物流航運管理系統(tǒng)工程重點實驗室 基于劃分的聚類方法 ?給定一個含有 N個對象的數(shù)據(jù)集，以及要生成的簇的數(shù)目 K。這就要求聚類算法必須與一定的語義環(huán)境及語義解釋相關聯(lián)。 遼寧省物流航運管理系統(tǒng)工程重點實驗室 對聚類算法性能的要求 ?8. 增加限制條件后的聚類分析能力 現(xiàn)實的應用中經(jīng)常會出現(xiàn)各種各樣的限制條件，我們希望聚類算法可以在考慮這些限制的情況下，