信息系统中模糊数据聚类分析.pdf

在信息系统设计中，模糊数据聚类分析是一种重要的方法，它主要应用于处理不确定性和不精确性的数据，以提高信息系统的效率和性能。随着计算机网络技术的发展，分布式数据库和分布式处理成为了现代管理信息系统的核心组成部分。然而，许多信息系统在规划和设计时，并未基于充分的需求分析和数据库逻辑设计，导致网络环境规划的不足，这可能会影响信息系统的运行效率，甚至造成系统崩溃。 进行对象系统的分析是关键步骤。通过对信息系统需求分析的结果，如输出报表、需求报表和信息定义表，我们可以获取数据的类型、产生频率等属性，进而构建数据属性表。同样，通过需求分析，我们也能确定应用的功能，创建应用属性表。这两个表是后续聚类分析的基础。 为了消除不同量纲和数量级带来的影响，需要对应用和信息的关联属性进行标准化处理。这通常包括对数据传递量和应用对信息的创建、使用关系的标准化。例如，计算应用到数据的传递关系并对其进行标准化，或者直接将应用和数据的关联矩阵中的传递量量化为0、1或2。这种标准化方法有助于确保分析的公正性和清晰度。 接下来，应用/数据聚类分析法用于信息系统子系统的划分。对于管理应用的聚类，通过计算应用之间的相似系数，可以将访问相同数据的应用归为一类，减少数据访问次数，提升效率。这一过程包括查找最大对角距离、合并应用、更新关联矩阵和对角距离矩阵，直到所有应用聚为一个大类。而数据聚类则依赖于数据被相同应用访问的频率，通过计算数据之间的距离系数，将相关性强的数据聚为一类。 聚类分析的结果可以生成应用聚类谱系图和数据块距离包含树，这两者帮助我们直观地理解数据和应用之间的关系，并根据相似值区间设定阈值，进一步细分应用和数据类别。这种精细化的划分有助于优化信息系统的结构，提高数据处理的效率，降低网络阻塞的可能性，确保整个信息系统的稳定运行。 模糊数据聚类分析是提升信息系统性能的关键工具，它涉及到需求分析、属性标准化、聚类算法的运用等多个层面，旨在构建更合理、更高效的网络环境，适应现代管理信息系统的需求。通过科学的分析和设计，我们可以避免盲目性，确保信息系统的有效性和可靠性。