聚类分析是研究和处理所给定对象分类的数学方法,它将对象划分为一系列的子对象(或类),使得每一类中的数据尽量地相似,不同类尽可能有较大差异.广泛使用的聚类算法有K-Means,K-Modes等.K-Means方法是最早最简单的聚类方法,但它只能对数值属性的对象集进行聚类,无法对类属性对象聚类.其中Z.Huang提出的K-Modes算法,推广了K-Means方法,使它能够对类属型对象集进行聚类.1999年在FCM的基础上提出了模糊K-Modes算法. 大多数聚类算法需要预先设定初始聚类中心点,初始中心点的不同可能导致完全不同的结果.我们将贪婪算法的思想用到算法初始聚类中心点选择上,给出一个较为稳定,有效且时间代价小的初始化方法.实验也表明新的初始化方法比随机初始化方法更为稳定和有效. 本文提出了一个新的类属型数据聚类算法一模糊K-Patterns算法.该算法全面地考虑以往不能准确和稳定地进行聚类的原因,即避免模糊K-Modes算法在不同的初始化条件下可能带来较大差距的聚类结果,也避免了模糊K-Modes算法在处理聚类中心点时可能带来的误差和错误.新算法提出了使用贪婪初始化聚类中心,摒弃以往每次聚类循环都要求保留单个聚类中心而造成大量信息丢失的情形,将聚类中心点用集合的形式来定义,并重新定义了距离的计算公式。