1.數(shù)據(jù)預(yù)處理方法

       通過(guò)對(duì)屬性進(jìn)行規(guī)范化將屬性值按比例縮放，對(duì)于涉及神經(jīng)網(wǎng)絡(luò)的分類算法將有助于加快學(xué)習(xí)階段的速度。對(duì)于基于距離的方法，規(guī)范化可以幫助防止具有較大初始值域的屬性與具有較小初始值域的屬性(如二元屬性)相比權(quán)重過(guò)大。目前常用的規(guī)范化方法有最大最小值規(guī)范化、平均數(shù)方差法、總和規(guī)范化、極大值規(guī)范化等。當(dāng)使用同一聚類算法并以不同的規(guī)范化方式處理時(shí)，聚類結(jié)果往往不同，規(guī)范化方式的選擇對(duì)聚類效果影響很大，必須在負(fù)荷模式提取中加以考慮。這就要求在負(fù)荷模式提取時(shí)首先了解每種聚類方法在采用不同規(guī)范化方法時(shí)的性能好壞，以便得到準(zhǔn)確可靠的聚類結(jié)果。

       2.負(fù)荷模式識(shí)別的聚類方法

       負(fù)荷模式提取通常用聚類技術(shù)實(shí)現(xiàn)，主要方法可分為如下幾類

      (1)基于劃分的方法。基于劃分的聚類算法的基本思想為：給定一個(gè)含有m個(gè)對(duì)象的數(shù)據(jù)集，劃分方法將構(gòu)建k個(gè)分組，每個(gè)分組就代表一個(gè)聚類簇。而且每個(gè)簇至少包括1個(gè)對(duì)象，每個(gè)對(duì)象必須且僅屬于1個(gè)簇。對(duì)于給定的數(shù)據(jù)集，算法首先根據(jù)給定的要構(gòu)建劃分的數(shù)目創(chuàng)建個(gè)初始的分組，然后采用一種迭代重定位的方法改變初始分組，使得每一次改進(jìn)以后的分組方案都較前一個(gè)好。

      (2)層次聚類方法。層次方法根據(jù)層次的分解方式不同可以分為凝聚的或分裂的。凝聚的方法為自底向上分解，首先將每個(gè)對(duì)象作為單獨(dú)的一個(gè)組，然后合并相似的組，直到所有的組合并成一個(gè)(或滿足某個(gè)終止條件)。分裂的方法為自頂向下分解，首先將所有的對(duì)象置于一個(gè)組中，在迭代的每一步中，一個(gè)組被分裂為更小的組，直到最終每個(gè)對(duì)象在單獨(dú)的一個(gè)組中(或滿足某個(gè)終止條件)

      (3)基于密度的方法。基于密度的方法與大部分劃分方法不同，它不是基于各種各樣的距離，而是基于密度：其主要思想是：只要臨近區(qū)域的密度(對(duì)象或數(shù)據(jù)點(diǎn)的數(shù)目)超過(guò)某個(gè)閾值，就繼續(xù)聚類。該方法既可以過(guò)濾噪聲數(shù)據(jù)，也可以發(fā)現(xiàn)任意形狀的簇。

      (4)基于模型的方法。基于模型的方法通過(guò)優(yōu)化給定的數(shù)據(jù)和某些數(shù)學(xué)模型之間的擬合。主要包括統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法

      (5)模糊聚類。傳統(tǒng)聚類算法是一種硬劃分，把每個(gè)待識(shí)別對(duì)象嚴(yán)格劃分到每個(gè)類中，劃分界限是分明的。然而大多數(shù)對(duì)象實(shí)際上并沒(méi)有嚴(yán)格的屬性劃分，其在形態(tài)和類屬方面存在著中間性。利用模糊理論來(lái)處理聚類問(wèn)題的方法稱為模糊聚類分析。模糊聚類分析是對(duì)傳統(tǒng)硬劃分方法的一種改進(jìn)，樣本屬于各個(gè)類別的隸屬度表達(dá)了樣本屬性的中間性。