互聯網 數據量呈爆炸式增長，數據對社會生產和生活的影響越來越大，數據挖掘技術的應用也越來越廣泛。數據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、建立數據挖掘庫、分析數據、準備數據、建立模型、評估模型等。主要的數據挖掘算法包括關聯分析、序列模式挖掘、分類算法及聚類算法等。

據了解，WIMI微美全息開發了基于人工神經網絡的數據挖掘聚類優化算法系統。在聚類分析中，數據按照一定的規則進行劃分，數據劃分為類后，使類之間的相似性較小，類內的相似性較大。數據分析結果不僅可以揭示數據之間的內在聯系和差異，還可為進一步的數據分析和知識發現提供重要依據。

WIMI開發基于人工神經網絡的數據挖掘聚類優化算法包含幾下幾種方法：

（1）分區方法：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和較小數據集的聚類問題。通過隨機搜索策略，使得大規模數據聚類具有高效性和良好的可擴展性。分區聚類算法通常易于并行化，近年來在大數據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，其根據數據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則形狀的聚類，而無需強制改變聚類的形狀。它適用于不規則數量和隨機形狀的聚類，具有減少甚至消除噪聲的優點。其將具有足夠密度的區域劃分為簇，并在有噪聲的空間數據庫中找到任意形狀的簇，它根據采樣點的局部密度，將簇定義為具有連接密度的最大點集合。

（4）基于網格的方法：該算法將量化的網格空間聚類，速度快，計算能力強。將空間劃分為多個網格，并對網格上的數據進行分析。

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

在這個海量數據的時代，數據挖掘極其重要，其應用越來越廣泛，其重要性也越來越明顯。只要企業擁有具有分析價值和需求的數據倉庫或數據庫，就可以進行有目的的數據挖掘,獲取有價值的數據。

而聚類優化算法可處理具有多維和不相關特征的數據，聚類方法的選擇直接決定了數據挖掘的質量。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開發的基于人工神經網絡的數據挖掘聚類優化算法可以根據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過多而導致的不合理聚類結果的發生。人工神經網絡具有高度非線性學習能力和對噪聲數據的容錯能力，并且其具有很強的提取規則知識的能力，利用人工神經網絡模型來處理數據和挖掘知識具有非常明顯的優越性。