聚类分析是统计学中的重要分支,在许多的领域中得以应用,如人工智能与模式识别、生物统计学、市场营销分析和社会统计学等等。这促进了大量聚类方法的提出和研究。其中基于划分的方法因其简单有效而成为最常用的方法之一,代表方法有k-means方法、k-medoids方法以及它们的各种变体。原始的k-means方法其实是一种硬划分方法,后来发展产生了与之相对的软划分方法。在软计算的方法中,模糊集理论被引用到聚类分析中,并逐渐成为研究的主流方向。代表方法有FANNY方法、FKM方法及其一系列变体如Fuzzy k-modes、Fuzzy k-medoids方法,统称为模糊聚类方法。聚类方法的效果依赖于选用的相似性(相异性)度量,在聚类方法中最常用的度量是欧氏范数。本文引入另一种度量——AE度量(4.3节),实验说明,它的鲁棒性优于欧氏范数。本文对模糊k-means方法作了两处改进:(1)用AE度量替换经典FKM、WFKM方法中的相似性度量,得到AFKM、AWFKM方法。(2)通过放宽隶属度的约束条件,对WFKM、AWFKM方法作了进一步改进,得到IAFKM、IAWFKM方法。实验说明本文提出的新方法与原始方法相比,准确率提高,有效性指标的变化也说明聚类质量得到改善。