據(jù)了解，WIMI微美全息開(kāi)發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘聚類優(yōu)化算法系統(tǒng)。在聚類分析中，數(shù)據(jù)按照一定的規(guī)則進(jìn)行劃分，數(shù)據(jù)劃分為類后，使類之間的相似性較小，類內(nèi)的相似性較大。數(shù)據(jù)分析結(jié)果不僅可以揭示數(shù)據(jù)之間的內(nèi)在聯(lián)系和差異，還可為進(jìn)一步的數(shù)據(jù)分析和知識(shí)發(fā)現(xiàn)提供重要依據(jù)。

　　WIMI開(kāi)發(fā)基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘聚類優(yōu)化算法包含幾下幾種方法：

　　(1)分區(qū)方法：該方法可以找到球形互斥簇，簇的中心用均值或中心點(diǎn)表示。該算法適用于具有固定簇?cái)?shù)和較小數(shù)據(jù)集的聚類問(wèn)題。通過(guò)隨機(jī)搜索策略，使得大規(guī)模數(shù)據(jù)聚類具有高效性和良好的可擴(kuò)展性。分區(qū)聚類算法通常易于并行化，近年來(lái)在大數(shù)據(jù)處理平臺(tái)上非常活躍。

　　(2)層次化方法：該方法基于層次分解聚類的思想，其根據(jù)數(shù)據(jù)點(diǎn)之間的相似性進(jìn)行層次分解，生成具有層次結(jié)構(gòu)的嵌套聚類樹(shù)。自下而上的層次分解對(duì)應(yīng)于凝聚法，自上而下的層次分解則對(duì)應(yīng)于分裂法。

　　(3)基于密度的方法：該算法可以找到具有不同規(guī)則形狀的聚類，而無(wú)需強(qiáng)制改變聚類的形狀。它適用于不規(guī)則數(shù)量和隨機(jī)形狀的聚類，具有減少甚至消除噪聲的優(yōu)點(diǎn)。其將具有足夠密度的區(qū)域劃分為簇，并在有噪聲的空間數(shù)據(jù)庫(kù)中找到任意形狀的簇，它根據(jù)采樣點(diǎn)的局部密度，將簇定義為具有連接密度的最大點(diǎn)集合。

　　(4)基于網(wǎng)格的方法：該算法將量化的網(wǎng)格空間聚類，速度快，計(jì)算能力強(qiáng)。將空間劃分為多個(gè)網(wǎng)格，并對(duì)網(wǎng)格上的數(shù)據(jù)進(jìn)行分析。

　　(5)模型聚類：模型聚類算法假設(shè)數(shù)據(jù)是根據(jù)特定的概率分布混合的，該概率分布致力于在數(shù)據(jù)和給定模型之間找到最佳擬合。

　　在這個(gè)海量數(shù)據(jù)的時(shí)代，數(shù)據(jù)挖掘極其重要，其應(yīng)用越來(lái)越廣泛，其重要性也越來(lái)越明顯。只要企業(yè)擁有具有分析價(jià)值和需求的數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)庫(kù)，就可以進(jìn)行有目的的數(shù)據(jù)挖掘,獲取有價(jià)值的數(shù)據(jù)。

　　而聚類優(yōu)化算法可處理具有多維和不相關(guān)特征的數(shù)據(jù)，聚類方法的選擇直接決定了數(shù)據(jù)挖掘的質(zhì)量。為了提高聚類的質(zhì)量，人們不斷探索更好的聚類分析方法。

　　WIMI開(kāi)發(fā)的基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘聚類優(yōu)化算法可以根據(jù)預(yù)設(shè)的警告值自動(dòng)合并粒度較小的聚類結(jié)果，從而有效地防止了由于指定的聚類數(shù)過(guò)多而導(dǎo)致的不合理聚類結(jié)果的發(fā)生。人工神經(jīng)網(wǎng)絡(luò)具有高度非線性學(xué)習(xí)能力和對(duì)噪聲數(shù)據(jù)的容錯(cuò)能力，并且其具有很強(qiáng)的提取規(guī)則知識(shí)的能力，利用人工神經(jīng)網(wǎng)絡(luò)模型來(lái)處理數(shù)據(jù)和挖掘知識(shí)具有非常明顯的優(yōu)越性。