基于样本特征加权的可能性模糊核聚类算法*-
2014-09-05黄卫春刘建林熊李艳
计算机工程与科学 2014年1期
关键词:特征
黄卫春,刘建林,熊李艳
(华东交通大学信息工程学院,江西 南昌330013)
1 引言
聚类分析是多元统计分析的一种,也是非监督模式识别的一个重要分支。聚类的目的是使得相似的样本之间的距离尽可能地小,而不相似的样本之间的距离尽可能地大。随着模糊集理论的提出和不断发展,模糊聚类分析已成为聚类分析研究的主流,其中以基于目标函数的模糊C-均值FCM(Fuzzy C-Means)算法理论最为完善,应用最为广泛。模糊C-均值聚类算法是一种基于划分的聚类方法,根据最小二乘原理,采用迭代方法优化目标函数,最终得到每个样本点的归属。如今FCM算法已被广泛地应用于模式识别、数据挖掘、图像处理等领域[1~4]。
经典的FCM算法对初始聚类中心较为敏感,易出现局部最优的情况,且算法不考虑各个特征重要度及不同样本对分类的影响。在实际应用中,聚类中心的选取会在一定程度上影响输出结果,且一些数据集的样本分布是非均匀的或非对称的,也就是说样本的特征对分类的结果是不均匀的,这些都会影响聚类效果。针对以上问题,许多学者提出了FCM的改进算法,如KPrishnapuranm K和Keller通过放松隶属度约束的限制提出了可能性C-均值算法PCM(Possibilistic C-Means)。Pal N R 等[5]把FCM算法中的隶属度和PCM算法中的可能性典型值相结合提出了可能性模糊C-均值算法PFCM(Possibilistic Fuzzy C-Means)。也有学者通过将遗传算法和模糊聚类算法相结合,提出了许多混合算法,如于水英等[6]提出了将遗传算法和模糊聚类相结合并应用到文本分类以提高分类效果;……
登录APP查看全文
