论文部分内容阅读
当前，数据的急剧增长和人们对数据理解的困难形成了强烈的反差，数据挖掘技术便应运而生。聚类分析是一种最重要的数据挖掘技术，根据数据的内在特性将数据对象划分到不同的类中，使得同一类中的数据对象具有最大的相似性，而不同类中的数据对象具有最大的相异性。由MacQueen提出的K-means算法是解决聚类问题的一种经典算法，广泛应用于数据挖掘与知识发现领域。但是，K-means算法存在两大缺陷，一是K-means算法的聚类结果依赖于初始值的选取，二是基于梯度下降进行搜索常常使K-means算法陷入局部最优。在分析相关研究的基础上，提出一种基于粒子群和模拟退火(SimulatedAnnealing，SA)协同的K-means聚类算法，简称PSK-means算法，并将新改进的PSK-means算法应用在两个不同的系统中，本论文主要工作包括：(1)针对K-means算法和粒子群算法的缺陷，利用模拟退火算法的概率突跳性，提出一种基于粒子群和模拟退火协同的K-means聚类算法，克服粒子群算法易陷入局部最优的缺陷，优化全体粒子的历史最优解，进而优化聚类中心达到最优的聚类结果，并进行了仿真实验，验证算法具有良好全局收敛性。(2)将PSK-means算法应用在计算机实验辅助教学与质量评价系统中。在系统评价模块产生许多评价数据，包括对教师的评价和对学生的评价。论文以对学生的评价为例，先对评价数据进行预处理，得出学生的最终评分。再使用PSK-means算法对数据进行聚类，并对聚类结果进行具体分析。针对每一类学生在学习中存在的问题进行针对性的指导，可以大大节省时间，有效提高教学质量。(3)将PSK-means算法应用在山东省名老中医医案数据中。山东省名老中医医案系统中医案数据杂乱，包括冠心病和高血压等多种疾病。先对医案数据按疾病种类进行选择性提取，再对同一种病的药方数据使用PSK-means算法进行聚类，将药方按中医上的证型分类。聚类后的数据使用Apriori算法进行强关联规则挖掘，挖掘出不同证型的核心药方，为年轻中医医生提供学习参考，且对中成药的制作具有一定的价值。