聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为现实数据提供了模糊处理能力,在许多领域被广泛应用。在本文中,总结了模糊聚类的原则和通用的方法,讨论了常用的模糊聚类算法,讨论了这些算法的优缺点、存在的问题以及前景展望。 模糊C-均值聚类算法是目前广泛使用的模糊聚类算法。但它也存在一些缺点,例如模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小。本文从引入隶属度函数、引入消息熵和类中心的约束出发,研究了模糊C-均值的改进方法。 在此基础上,提出了一种改进的模糊C-均值聚类算法。其基本思想是:通过对数据对象的模糊隶属度增加一个加权值,以及在算法中引入模糊聚类有效性函数对聚类数目c进行优选。为了证明改进FCM算法的实用性,我们将该算法应用于两个领域:网络入侵检测和Web日志挖掘。 入侵检测是网络安全的第二道防线。在本文中,分析了入侵检测技术的要点,提出了一种基于改进FCM算法的网络入侵检测方法。该方法的优点是不需要标示或训练数据集。文中使用KDD99数据集作为实验数据,实验结果显示该方法检测未知入侵检测是有效的,而且它提高了入侵检测系统的检测率和误警率。 最后,我们使用改进的模糊聚类算法来分析Web日志数据,以实现Web用户聚类,即根据用户的浏览行为,发现相似的用户组;以及Web页面聚类,即根据Web页面被用户访问的情况,发现相关页面组。实验证明,采用该改进的模糊聚类算法对Web日志挖掘效果良好。