基于微全息人工神经网络的数据挖掘聚类算法系统的开发，
互联网数据量爆炸式增长，数据对社会生产和生活的影响越来越大，数据挖掘技术的应用也越来越广泛。数据挖掘过程是一个多次重复的人机交互过程，包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型和评估模型。主要数据挖掘算法包括关联分析、序列模式挖掘、分类算法和聚类算法等。
发现微全息技术开发了一种基于人工神经网络的数据挖掘聚类优化算法系统。在聚类分析中，数据按照一定的规则被分割，数据被分割成类后，减小类间的相似性，增大类内的相似性。数据分析结果不仅可以揭示数据之间的内在联系和差异，而且可以为进一步的数据分析和知识发现提供重要依据。
基于人工神经网络的数据挖掘聚类优化算法的开发包括以下几种方法：
（1、分区方法：该方法可以找到球形互斥簇，并且簇的中心由平均值或中心点表示。该算法适用于具有固定群集数和小数据集的群集问题。随机搜索策略使大型数据群集具有高效性和可扩展性。分区聚类算法一般易于并行化，近年来在大数据处理平台上非常活跃。
（2、分层方法：该方法基于分层分解聚类的思想，它根据数据点之间的相似性进行分层分解，生成具有分层结构的嵌套聚类树。自下而上的分层分解对应于凝聚法，自上而下的分层分解对应于分裂法。
（3、基于密度的方法：算法可以找到具有不同规则形状的簇，而不必强制改变簇的形状。适用于不规则数量和随机形状的群集，具有降低或消除噪声的优点。将密度足够大的区域划分为群集，在有噪波的空间数据库中找到任意形状的群集，并根据采样点的局部密度将群集定义为具有连接密度的最大点集合。
（4、基于网格的方法：该算法对量化网格空间进行聚类，速度快，计算能力强。将空间分割为多个网格，分析网格上的数据。
（5、模型聚类：模型聚类算法假设数据是基于特定概率分布混合的，该概率分布致力于在数据和给定模型之间找到最佳拟合。
在这个庞大的数据时代，数据挖掘至关重要，它的应用越来越广泛，其重要性也越来越明显。如果公司拥有具有分析价值和需求的数据仓库或数据库，则可以进行有目的的数据挖掘，获取有价值的数据。
聚类优化算法可以处理具有多维和不相关特征的数据，聚类方法的选择直接决定数据挖掘的质量。为了提高聚类质量，不断探索更好的聚类分析方法。
基于所开发人工神经网络的数据挖掘聚类优化算法能够根据预先设定的警告值自动合并粒度小的聚类结果，由此能够有效地防止由于指定的聚类数过多而产生不合理的聚类结果。人工神经网络具有高度的非线性学习能力和对噪声数据的容错能力，而且提取规则知识能力强，利用人工神经网络模型处理数据、挖掘知识非常出色。