1. 研究目的与意义

聚类是数据挖掘和模式识别等研究方向的重要研究内容之一，在识别数据的内在结构方面具有极其重要的作用，聚类主要应用于模式识别中的语音识别，字符识别等；机器学习中的聚类算法应用于图象分割和机器视觉；图象处理中的聚类用于数据压缩和信息检索。值得一提的是，聚类分析对生物学，心理学，考古学，地理学以及市场营销也都有重要作用。

本课题主要研究聚类的概念和划分式聚类算法，层次式聚类算法和基于密度的聚类算法以及基于模型的聚类算法。在分析各种算法的同时理解各种算法的适用范围及优缺点。

2. 国内外研究现状分析

目前聚类分析在许多领域都得到了广泛的研究和成功的应用,如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等。聚类技术正在蓬勃发展,对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进,而不同的方法适合于不同类型的数据,因此对各种聚类方法、聚类效果的比较成为值得研究的课题。

3. 研究的基本内容与计划

本课题主要研究聚类的概念和划分式聚类算法，层次式聚类算法和基于密度的聚类算法以及基于模型的聚类算法。

1月初到1月31日，查阅相关资料，收集相关文献，完成开题工作。

2月1日到2月30日，重点放在阅读文献上，同时确定论文方案，熟悉相关软件，同时进行相应的实验，期间及时向老师反馈进程。

4. 研究创新点

在聚类算法的不同阶段会得到不同的类别划分结果，可以通过聚类有效性函数来判断多个划分结果中哪个是有效的;使用有效性函数作为算法停止的判别条件，当类别划分结果达到聚类有效性函数时即可停止算法运行。