聚类分析作为大数据研究与应用的重要技术工具,为通讯业、银行、保险以及各大电子商务领域中的应用研究提供理论支持。其中基于划分的聚类算法性能的优劣很大程度上取决于初始类中心的选择。现阶段初始类中心选择算法都是针对普通数据,即一个对象对应一条记录,而在实际应用中,一个对象的描述常常不止一条记录。本文将由多条记录描述的对象称为矩阵型对象,由矩阵型对象构成的数据集称为矩阵数据集。截止目前,针对矩阵型数据还没有有效的算法来选择初始聚类中心。若使用已有的算法对其处理,则需要压缩和转换矩阵型数据,这样通常会丢失很多信息且不能够全面反映用户的实际行为。因此本文针对分类型矩阵数据的初始类中心选择进行了探索和研究,提出了新的算法,并与现有的经典算法进行实验对比与分析,主要工作如下:(1)提出了一种基于密度和距离的初始类中心选择算法。根据分类型数据属性值的频率定义了矩阵对象的密度和矩阵对象间的距离,扩展了最大最小距离算法,从而实现初始类中心的选择。(2)提出了一种基于密度和成对约束的初始类中心选择算法。根据属性值的频率和矩阵对象间的平均距离给出新的矩阵对象密度定义,结合了成对约束信息来对初始类中心的选择进行指导,并在聚类过程中,采用约束对信息标签是否一致原则来进一步指导。该算法克服了高密度点可能处于簇的边界处以及选取距离较远样本作为类中心时可能是孤立点等现象,并且适合大规模高维数据。(3)设计并实现了一种基于MATLAB的初始类中心选择系统。系统包括数据加载、参数设置、数据挖掘、数据分析和图形可视化等功能,系统采用GUI技术开发,保证了系统具有良好的可移植性和交互性。本文的研究成果为矩阵型数据的初始类中心选择提供了新方法和新思路,并进一步丰富了分类型矩阵数据的研究。在实际生活中也具有一定的理论和应用价值,相信未来矩阵型数据的研究会成为一个热门趋势,可以解决更多的实际问题。