数据挖掘的诞生验证了大数据时代的价值与意义,而其中的聚类分析技术尤其重要。随着全球“云计算”、“物联网”、“人工智能”等科学技术的发展,聚类算法已经渗透到了从居民生活到科学研究中间的各行各业。传统行业里,从土地地形勘测到地质研究到环境分区,再到水域、植物、空气等一系列的聚类研究;在医学上,利用自组织特征映射模型进行光谱图像分隔、细胞图像识别等研究;到现在人工智能社会,受移动互联网迅速发展且在各行各业繁荣昌盛的影响,聚类分析也越来越被追捧,且反过来对行业产生深远影响。聚类的本质是对数据集样本进行分析、将相似的样本归为一类以便下一步处理,这样的行为在各行各业都在被广泛的需要。自组织特征映射神经网络作为智能聚类方法的一种,由于其自组织、自适应的智能特性而尤其被看重。与传统的SOFM算法相比,模糊SOFM的算法是在此基础上新加入模糊数学中隶属度的概念。传统的聚类算法得到的结果太过区域化,这时就需要通过模糊数学让他们的界限反过来变得模糊起来。本文就是通过这样的理念进行了研究、探讨与实践。最终该课题研究成果主要有如下几方面内容:(1)研究了传统的聚类算法的基本原理和背景,并分析了当前聚类算法的现状,并以当前使用情况进行了分类;(2)对模糊理论的原理和背景进行了深入研究,分析了模糊理论中一些较重要的知识点,比如模糊子集、模糊矩阵。并对当前模糊聚类分析的方法进行了简要的讲解;(3)对聚类算法中的SOFM算法进行了详细的分析,并将模糊数学中的隶属度函数与传统的SOFM算法进行结合,提出了基于模糊数学的SOFM系统,并使用某互联网公司内部加密的用户真实数据进行了验证。本文提出的基于模糊数学的SOFM算法已通过真实数据证实了其解决“死神经元”问题的有效性、对聚类类别个数的调整能力以及在实际使用中对结果的灵活选择能力。