聚类分析是认识事物的基本途径之一。通过聚类分析,可以更清楚地认识事物的本质特征。目前的各种聚类分析方法中,动态聚类法是最为普遍的一种。本文主要从静态样本和动态样本两方面对动态聚类法进行了研究。 一般的动态聚类算法都是针对静态样本数据的,其聚类结果不仅依赖初始分类,而且易陷入局部极小。而最近邻聚类算法正好能弥补该类聚类算法的不足。但现有的最近邻聚类算法的聚类半径一般都是随机选择或是根据经验确定的,且没有相应的有效性函数对聚类结果进行评价。基于以上原因,本文提出了针对静态样本进行聚类的一种新的最近邻聚类算法,并给出了相应的实验分析。 另外,在现有的诸多领域,如数据挖掘、大型数据库和互联网信息处理等,其数据都是动态的。ART2神经网络虽能很好地实现这类动态数据的聚类,但ART2网络本身存在的问题又限制了它在这方面的应用。鉴于此,本文又提出了一种改进的ART2网络学习算法来实现动态样本的聚类,同时给出了该方法的实验仿真结果。