[发明专利]一种多维工程数据分类方法

说明书

技术领域

本发明属于计算机应用及工程数据处理领域，主要用于解决工程数据中不同指标重要程度不同及各种指标数值分布特征差异较大时的分类问题，特别涉及一种多维工程数据分类方法。

背景技术

经发明人查新，得到如下相关文献：

1.JIANG Shengyi，LI Qing-hua，An Enhanced k-means Clustering Algorithm，COMPUTER ENGINEERING&SCIENCE，vol.28，No.11，2006：56-59

此文献针对k-modes算法在类的表示方面存在的不足，提出用摘要信息来表示一个类，并给出了一种适用于混合属性的距离定义，得到增强的k-means算法-k-summary算法，理论分析和实验结果表明，k-summary算法较k-modes算法和k-prototypes算法具有更好的精度.

2.WANG Haiqi，WANG Jinfeng，A k-means Adapted Algorithm Based onSpatial Contiguity Relations，Computer Engineering，vol.32，No.21，November2006：50-52

此文献基于空间邻接关系的k-means改进算法将相邻对象的空间邻接关系作为约束条件加以考虑，使聚类结果既反映了属性特征的相似程度，又反映了对象的空间相邻状态，从而可以揭示不同类别对象的空间分布格局，因此其比传统的k-means方法更适合于空间对象的聚类分析.

3.ZHANG Yu-fang，MAO Jia-li，XIONG Zhong-yang，An Improved k-meansAlgorithm，Computer Applications，vol.23，No.8，Aug.2003：31-34

此文献基于取样的划分思想，提出了一种改进的k-means算法，在一定程度上避免了聚类结果陷入局部解的现象，减少了原始k-means算法因采用误差平方和准则函数而出现将大的聚类簇分割开的情况，仿真实验结果表明：改进后的k-means算法优于原始算法，并且稳定性更好.

4.TAN Yong，RONG Qin-sheng，An Implement of Clustering Algorithm Basedon k-means，Journal of Hubei Institute for Nationalities(Natural ScienceEdition)，vol.22 No.1，Mar.2004：69-71

此文献中提出的聚类算法作为数据挖掘中的一种分析方法，它能找到样本比较密集的部分，并且概括出样本相对比较集中的区域，分析了传统的聚类算法及局限性，讨论了一个基于k-means算法的实现过程，使得算法可处理存在孤立点的大文档集，得到最佳的聚类结果.

综上所述，在现有分类方法都没有对不同指标数据差异程度较大的情况提供良好的解决方案，也不能解决在分类中各个指标权重大小不一样的问题。而在工程数据的处理及应用中，经常涉及到此类情况。因此，提出一种分类方法，有效地解决工程数据中不同指标数据分布特征差异大且具有不同权重的问题是很有必要的。

发明内容

本发明的目的在于在克服现有技术的不足，提出一种多维工程数据分类方法，该方法有效地解决工程数据中不同指标数据分布特征差异大，且具有不同权重的问题，以满足工程实际的需要。

本发明的技术方案是这样实现的：

将拟进行分类的所有工程数据组成的集合记为S，其中，包含的工程数据样本数为n，则各数据记为s_i(i∈1...n)；样本数据为m维，则第i个数据样本的第j维记为s_ij，i∈[1，n]，j∈[1，m]；在分类中，数据的权重为W，W的各维记为w_j(j∈1...m)；拟将所有工程数据样本分为k(0＜k≤n)类，各类记为C_i(i∈1...k)，各类的中心点记为c_i(i∈1...k)，c_i的第j维记为c_ij(i∈1...k，j∈1...m)。

当对多维工程数据进行分类时，按如下步骤进行：