“物以类聚,人以群分”,聚类伴随着人类社会的产生和发展而不断深化,人类要认识世界就必须区分不同的事物并认识事物间的相似性,而每个概念的最初形成无不借助于事物的聚类分析。聚类分析是数据挖掘领域中的一项重要的研究课题,它既可以作为单独的工具以发现数据源的数据分布信息,也可以作为其他数据挖掘算法的一个预处理步骤,因此研究如何提高聚类算法的性能具有重要的意义。 本文首先研究分析了数据挖掘、聚类的基本概念和一般方法,对聚类分析的前期工作:样本数据规格化、距离计算、关联程度的计算方法进行了综述;然后详细分析了现有的聚类算法,指出了它们的优缺点,重点提出了一种新的聚类算法——覆盖聚类算法(CCA),同时对提出的算法进行了一定的应用研究,归纳起来,本文的主要研究工作如下: (1)讨论了当前一些代表性的聚类算法,详细研究分析了基于统计理论的系统聚类算法、基于划分的K-means算法、基于矢量的LBG算法,对三种算法的数学理论、实现过程、性能进行了评述,并指出了它们的优点与缺点,为课题的进一步研究打下了基础。 (2)因为传统聚类算法具有如下问题:算法的效率问题、初值的选择问题、算法对输入参数的依赖性问题等。鉴于此,本文提出了一种新的聚类算法——覆盖聚类算法,该算法采用覆盖的概念将比较集中的样本聚合在一起,从而发现隐含在样本集中的类,对于周围稀疏的样本结合最短距离法,获得聚类效果。该算法可以在覆盖后求重心,不断调整所做的覆盖,对大量的样本数据不需要迭代,因而解决了其他聚类算法难以解决的问题:初值的选择和聚类速度。 (3)本文最后把覆盖聚类算法应用到医药公司药品销售数据聚类中,对药品销售数据进行聚类,实验数据证明了覆盖聚类算法的可行性和有效性。