模糊聚類分析作為模式識別的一個重要分支廣泛地應用于計算機科學、生命和醫(yī)學科學、社會科學、工程學等領域�！赌：垲愃惴皯谩方榻B了聚類分析的基本概念、算法及存在的主要問題．著重對一類重要的模糊聚類算法——fcm類算法進行了系統(tǒng)的分析，在原型初始化、噪聲敏感性、多尺度結構、核函數(shù)、聚類有效性、聚類趨勢、目標函數(shù)優(yōu)化方法等方面進行系統(tǒng)的研究，提出了相應的改進模型，并論證了基于核函數(shù)的fcm類算法的收斂性定理，進一步完善了算法的理論基礎。
《模糊聚類算法及應用》可供從事模式識別教學、研究的師生、學者閱讀，也可以為從事數(shù)據(jù)挖掘、圖像分割等相關技術人員提供參考。
第一章 緒論
1.1 聚類分析背景介紹
1.2 聚類分析的基本概念
1.2.1 聚類分析的基本步驟
1.2.2 聚類分析中的數(shù)據(jù)類型
1.2.3 聚類分析中的相似性度量
1.3 當前聚類算法中面臨的主要問題
第二章 聚類算法綜述
2.1 基于劃分的方法
2.1.1 基于誤差平方和最小化準則的聚類方法
2.1.2 基于概率混合模型的聚類算法
2.1.3 基于圖論的聚類方法
2.1.4 核聚類
2.1.5 譜聚類
2.2 基于層次的方法
2.3 基于神經網(wǎng)絡的聚類方法
2.4 利用優(yōu)化技術進行聚類
2.4.1 用于聚類的隨機性優(yōu)化技術
2.4.2 用于聚類的確定性優(yōu)化技術
2.5 基于網(wǎng)格的聚類方法
2.6 聚類集成技術
第三章 模糊集合論基礎
3.1 普通集合簡介
3.1.1 集合的概念
3.1.2 集合的運算性質
3.1.3 集合間的關系
3.1.4 集合的表示
3.1.5 冪集、重有序組和笛卡兒乘積
3.2 模糊集合及其運算
3.2.1 模糊子集的定義及其表示
3.2.2 模糊子集的運算
3.3 分解定理與擴張原理
3.3.1 分解定理
3.3.2 擴張原理（擴展原理）
3.3.3 隸屬函數(shù)
3.3.4 模糊矩陣
3.3.5 模糊關系
第四章 模糊聚類算法
4.1 模糊聚類算法研究現(xiàn)狀
4.2 基于模糊等價關系的模糊聚類方法
4.2.1 傳遞閉包聚類法
4.2.2 布爾矩陣聚類法
4.2.3 直接聚類法
4.2.4 最佳閾值入的確定
4.2.5 應用示例
4.3 模糊c均值聚類算法
4.4 可能性c均值聚類算法
4.5 可能性模糊c均值聚類算法
第五章 基于核的改進模糊聚類算法
5.1 核的基本概念
5.2 基于核的改進模糊c均值聚類算法
5.2.1 放松約束的模糊c均值算法
5.2.2 特征空間中的改進模糊c均值聚類算法
5.2.3 基于核化距離的改進模糊c均值聚類算法
5.2.4 實驗分析與實際應用
5.2.5 總結分析
5.3 推廣的核可能性聚類算法（gkpcm）
5.3.1 可行域是凸集時的gkpcm聚類模型
5.3.2 基于優(yōu)化技術的gkpcm
5.3.3 實驗分析與實際應用
5.3.4 gkpcm算法總結
第六章 一類核模糊聚類算法的收斂性
6.1 基于核的fcm算法的收斂性
6.1.1 zangwill收斂性定理
6.1.2 基于核的模糊c均值聚類算法
6.1.3 kfcm算法的收斂性
6.1.4 核化距離fcm算法的收斂性
6.1.5 總結6.2 1kfcml算法的收斂性
6.3 1kfcm2與ikdfcm算法的收斂性
第七章 無監(jiān)督多尺度聚類算法
7.1 引言
7.2 修正的ipcm算法（mipcm）
7.3 umf的目標函數(shù)
7.4 多尺度因子與多尺度性質
7.5 聚類有效性
7.6 77的離散化方法
7.7 umf的概率解釋：一種新的ms聚類算法
7.8 umf算法
7.9 快速umf算法（fumf）
7.10 實驗分析
7.10.1 umf算法性能測試
7.10.2 fumf算法性能測試
7.11 其他應用
7.11.1 利用umf判定數(shù)據(jù)是否存在聚類結構
7.11.2 利用umf改進其他聚類算法
附錄參考文獻
書單推薦
