改进的粒子群模糊聚类方法

2012-07-25黄新建

计算机工程与设计 2012年3期

关键词：方法

黄新建，牛强

（中国矿业大学计算机科学与技术学院，江苏徐州221116）

0 引言

模糊C均值聚类算法［1－2］（FCM）是目前使用最多的划分式聚类方法之一。由于FCM扩展了隶属度的取值范围，因此有着较好的数据表达能力和聚类效果［3］，且FCM的理论已相当完善，应用也比较广泛。但当数据集维数较高时，FCM存在聚类效果较差，很难找到全局最优等问题［4－5］。作为一种群体智能优化算法，粒子群优化算法（PSO）的基本思想是通过种群在个体之间的信息共享和协同工作来寻找最优解。由于模糊聚类问题一定条件下可归结为优化问题［6］，已有很多学者提出了基于粒子群的模糊聚类算法［7－9］，Thomas A.Runkler等在文献［9］中提出了旨在保证模糊聚类约束条件的方法，解决了以隶属度对粒子进行编码时产生的问题。但基于粒子群的模糊聚类算法大多以聚类中心对粒子进行编码［10－11］，较少以隶属度对粒子进行编码。文献［9］中方法虽使隶属度满足了模糊聚类的约束条件，但仍然存在对噪音较敏感，处理样本数小于样本维数的数据时效果较差等问题。针对以上问题，在以隶属度对基于粒子群的模糊聚类算法进行编码的基础上，本文提出一种改进的隶属度分配方法。实验表明改进的方法较好地处理了含噪音的数据，并在样本数小于样本维数的数据上取得较之前方法更为理想的效果，较好地处理了低维数据和高维数据。