互聯(lián)網(wǎng) 數(shù)據(jù)量呈爆炸式增長，數(shù)據(jù)對社會生產(chǎn)和生活的影響越來越大，數(shù)據(jù)挖掘技術的應用也越來越廣泛。數(shù)據(jù)挖掘過程是一個反復多次的人機交互過程，它包括定義問題、建立數(shù)據(jù)挖掘庫、分析數(shù)據(jù)、準備數(shù)據(jù)、建立模型、評估模型等。主要的數(shù)據(jù)挖掘算法包括關聯(lián)分析、序列模式挖掘、分類算法及聚類算法等。

據(jù)了解，WIMI微美全息開發(fā)了基于人工神經(jīng)網(wǎng)絡的數(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)則進行劃分，數(shù)據(jù)劃分為類后，使類之間的相似性較小，類內的相似性較大。數(shù)據(jù)分析結果不僅可以揭示數(shù)據(jù)之間的內在聯(lián)系和差異，還可為進一步的數(shù)據(jù)分析和知識發(fā)現(xiàn)提供重要依據(jù)。

WIMI開發(fā)基于人工神經(jīng)網(wǎng)絡的數(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表示。該算法適用于具有固定簇數(shù)和較小數(shù)據(jù)集的聚類問題。通過隨機搜索策略，使得大規(guī)模數(shù)據(jù)聚類具有高效性和良好的可擴展性。分區(qū)聚類算法通常易于并行化，近年來在大數(shù)據(jù)處理平臺上非常活躍。

（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)點之間的相似性進行層次分解，生成具有層次結構的嵌套聚類樹。自下而上的層次分解對應于凝聚法，自上而下的層次分解則對應于分裂法。

（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，而無需強制改變聚類的形狀。它適用于不規(guī)則數(shù)量和隨機形狀的聚類，具有減少甚至消除噪聲的優(yōu)點。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)庫中找到任意形狀的簇，它根據(jù)采樣點的局部密度，將簇定義為具有連接密度的最大點集合。

（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，計算能力強。將空間劃分為多個網(wǎng)格，并對網(wǎng)格上的數(shù)據(jù)進行分析。

（5）模型聚類：模型聚類算法假設數(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。

在這個海量數(shù)據(jù)的時代，數(shù)據(jù)挖掘極其重要，其應用越來越廣泛，其重要性也越來越明顯。只要企業(yè)擁有具有分析價值和需求的數(shù)據(jù)倉庫或數(shù)據(jù)庫，就可以進行有目的的數(shù)據(jù)挖掘,獲取有價值的數(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)挖掘的質量。為了提高聚類的質量，人們不斷探索更好的聚類分析方法。

WIMI開發(fā)的基于人工神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘聚類優(yōu)化算法可以根據(jù)預設的警告值自動合并粒度較小的聚類結果，從而有效地防止了由于指定的聚類數(shù)過多而導致的不合理聚類結果的發(fā)生。人工神經(jīng)網(wǎng)絡具有高度非線性學習能力和對噪聲數(shù)據(jù)的容錯能力，并且其具有很強的提取規(guī)則知識的能力，利用人工神經(jīng)網(wǎng)絡模型來處理數(shù)據(jù)和挖掘知識具有非常明顯的優(yōu)越性。