基于改进FCM算法的暴力犯罪特征聚类分析及应用

摘要

我国的公安机关在多年的工作中，一方面不断推进信息化的建设，另一方面，其在公安工作的专门数据和社会信息方面都有了相当大规模的数据积累，使用数据挖掘技术来分析犯罪的各种因素是公安机关一个重要且有意义的课题。
　　 由于现实生活中很多实际问题的发生多为各学科相互作用的结果，如何处理交叉学科数据是业界的棘手问题。聚类分析作为一种数据挖掘方法，它能对大量信息数据进行分析处理，获取有价值的知识信息。近来已成功应用于人工智能、数据挖掘、模式识别、故障诊断等诸多领域中，适用于处理交叉学科的数据。本文希望能通过聚类方法对犯罪数据进行分析，对犯罪人员的背景信息、心理信息和基因信息进行综合挖掘，以求发现影响以及造成犯罪的因素。使得公安人员能对犯罪分子进行有的放矢的教育，并追查其源头的影响因素，可以起到一些治理和预防犯罪的作用，真正的将国家公安机关的信息优势转化为有效警务能力，以创新加强公安干警的预防和打击犯罪行为的能力。
　　 本文在分析研究相关聚类算法的基础上，对传统的硬聚类算法和模糊聚类方法进行了研究与分析，并针对暴力犯罪数据的特点，提出了基于连续属性离散化的模糊聚类方法的思路。本文尝试把信息熵离散化数据算法应用于出数据的预处理，以期达到更好的聚类效果。
　　 最后将本文算法应用于暴力犯罪因素分析中，尝试分析暴力犯罪发生的深层原因，为预测暴力犯罪提供一种新的技术支持，并就实验结果进行了分析。

目录

声明

摘要

第1章 绪论

1．1 研究的意义和背景

1．2 研究现状

1．3 本文的工作

1．4 论文组织结构

第2章 聚类分析算法介绍

2．1 聚类方法概述

2．1．1 基于划分的聚类算法

2．1．2 基于层次的聚类算法

2．1．3 基于网格的聚类算法

2．1．4 基于密度的聚类算法

2．1．5 基于模型的聚类算法

2．2 模糊聚类

2．2．1 硬聚类算法HCM

2．2．2 模糊聚类算法FCM

2．3 FCM算法的优缺点

2．4 连续数据离散化

2．4．1 数据离散化意义

2．4．2 数据离散化评估标准

2．5 本章小结

第3章 FCM算法介绍

3．1 HCM算法和FCM算法

3．2 连续数据离散化

3．2．1 信息熵的设计

3．2．2 离散化算法实现流程图

3．2．3 算法描述

3．3 改进的FCM算法

3．3．1 基于连续属性离散化的FCM算法

3．3．2 FCM算法与改进算法的比较

3．4 本章小结

第4章 改进的FCM算法在暴力犯罪特征聚类分析中的应用

4．1 实验背景介绍

4．2 实验材料与方法

4．2．1 研究对象

4．2．2 原始数据来源

4．2．3 原始数据采集

4．3 暴力犯罪特征分析流程

4．4 实验结果和分析

4．5 本章小结

第5章 总结与展望

5．1 论文总结

5．2 下一步工作展望

参考文献

致谢