1、處于信息化時(shí)代的今天，我們生活的世界到處都充滿著各種數(shù)據(jù)。對(duì)這些數(shù)據(jù)進(jìn)行分類就成為人們很重要的一項(xiàng)工作。而海量的數(shù)據(jù)背后隱藏著許多重要的信息，提取出這些信息也超出了人類自身的能力。從而，人們希望能夠借助一些工具對(duì)這些數(shù)據(jù)進(jìn)行更高層次的分析，以便更好地利用這些數(shù)據(jù)。而聚類的主要目的就是將一個(gè)數(shù)據(jù)集按照數(shù)據(jù)間的相似性進(jìn)行分組或者分類的過(guò)程，并從中發(fā)現(xiàn)數(shù)據(jù)集的結(jié)構(gòu)特征，提取數(shù)據(jù)集中隱藏的信息。
　　 本文首先對(duì)聚類的基本原理和分類進(jìn)行

2、詳細(xì)的介紹，介紹了K-均值算法，高斯混合模型（GMM）算法和期望最大化（EM）算法，并且對(duì)于K-均值算法在GMM EM算法中初始化的作用進(jìn)行了實(shí)驗(yàn)。之后引入了模糊集的思想，討論了模糊C-均值（FCM）算法的主要原理，在此基礎(chǔ)上進(jìn)一步分析了模糊緊致分離（FCS-Fuzzy Compactness and Separation）聚類算法的原理。FCS算法綜合了K-均值算法和模糊 C-均值算法的優(yōu)點(diǎn)，使得確定的隸屬關(guān)系和模糊的隸屬關(guān)系同時(shí)存在

3、。在此基礎(chǔ)上，我們對(duì)核函數(shù)在聚類中的相關(guān)應(yīng)用進(jìn)行了深入的研究，提出了一種新的聚類方法一基于核函數(shù)的FCS算法（KFCS），我們分別采用高斯核和單項(xiàng)式核進(jìn)行了核化過(guò)程的推導(dǎo)。最后，我們用IRIS數(shù)據(jù)集和人工數(shù)據(jù)集進(jìn)行相關(guān)的實(shí)驗(yàn)，實(shí)驗(yàn)表明FCS算法對(duì)噪聲更具魯棒性，而KFCS（高斯核）算法在。IRIS數(shù)據(jù)集聚類實(shí)驗(yàn)中相對(duì)于傳統(tǒng)的聚類算法有較低的錯(cuò)誤率。
　　 在人與人的交往中，面部表情是非常重要的信息的載體，而在人機(jī)交互中人臉表情識(shí)