針對多數(shù)據(jù)源或異構(gòu)數(shù)據(jù)集，采用單個核函數(shù)的聚類效果不理想的問題，以及考慮到不同屬性對不同類別重要性的差異，本文提出了一種屬性加權(quán)多核模糊聚類算法（WMKFCM）。該算法將多核模糊聚類算法與屬性加權(quán)核模糊聚類算法相結(jié)合，不僅能夠處理單個核函數(shù)不能滿足待聚類數(shù)據(jù)集聚類準確度要求的問題，而且能在聚類過程中根據(jù)不同類的具體特性動態(tài)調(diào)整各個屬性對于不同類別的重要性。聚類實驗表明，在犧牲一定的運行時間和迭代次數(shù)的前提下，相比于屬性加權(quán)核模糊聚類算法和多核模糊聚類算法，屬性加權(quán)多核模糊聚類算法具有更高的聚類準確度。

　　聚類算法作為一種無監(jiān)督學習方法，為識別數(shù)據(jù)內(nèi)在結(jié)構(gòu)提供了一種有用的工具，是數(shù)據(jù)挖掘的重要研究內(nèi)容之一。聚類分析的一般過程是，根據(jù)數(shù)據(jù)之間的相似性將數(shù)據(jù)劃分到不同的簇集，結(jié)果使得同一簇中的數(shù)據(jù)具有較高的相似度，而不同簇間的數(shù)據(jù)具有較低的相似度。1974 年，Bezdek建立了模糊聚類理論。模糊聚類分析采用隸屬度函數(shù)表示樣本間的親疏程度，能夠更加全面的體現(xiàn)數(shù)據(jù)集的結(jié)構(gòu)。2002 年，Girolami 將聚類與核方法相結(jié)合，首次提出了核聚類方法，為之后的核聚類研究奠定了基礎。2004 年，伍忠東，高新波等將核方法的思想推廣到模糊c-均值算法，構(gòu)造了基于核方法的模糊核c-均值算法。2009 年，趙犁豐，李新等人針對多類樣本數(shù)據(jù)，提出一種多核模糊聚類算法。通過選取子核函數(shù)及其參數(shù)構(gòu)造多核函數(shù)，使得輸入空間的樣本經(jīng)多核映射后增大不同類別樣本間的差別，提高核函數(shù)的學習能力和泛化能力。2011 年，王棟將加權(quán)多寬度高斯核學習引入到聚類分析中，提出了一種加權(quán)多寬度高斯核聚類算法。