k-means算法自提出50多年來，在聚類分析中得到了廣泛應用，但是，k-means算法存在一個突出的問題，即需要預先設定聚類數(shù)目。所以，本文針對如何自動獲取k-means的聚類數(shù)目進行了研究。為了確定聚類數(shù)目，許多學者從聚類有效性指數(shù)方面進行了研究，該類成果大多數(shù)都結(jié)合了類內(nèi)緊湊性和類間分離性這兩個因素。一般說來，這些方法用類中對象和類中心距離的平均值及其變形來衡量類內(nèi)緊湊性，用類中心之間的距離來衡量類間分離性。它們較少考慮類中對象數(shù)目的多少以及對象的分布情況，因此在某些情況下不能很好地度量類間的分離情況。本文從類內(nèi)緊湊性和考慮近鄰的類間分離性出發(fā)，定義新的分離性指數(shù)，并設計了新的有效性指數(shù)。

　　另一方面，k-means算法得到的結(jié)果實際上是一種二支決策結(jié)果，只考慮了對象與類的兩種關系，即：對象要么屬于一個類要么不屬于一個類。這種聚類結(jié)果沒有反映某些應用背景下的對象與類的不確定性關系，即對象可能屬于某個類。因此，本文提出了三支決策聚類，來進一步表示對象與類的不確定性關系?；谌Q策聚類的思想，筆者相繼在基于密度的重疊聚類、不完備數(shù)據(jù)秉類、重疊區(qū)域細分、增量重疊聚類等方面進行了一些研究工作。

　　因此，本文引入三支決策思想，提出一種基于k-means算法框架的自動三支決策聚類方法，該方法擴展了k-means算法使之適用于不確定性聚類，并能夠自動地得到聚類數(shù)目。
?