王 与，陈寿文

k-means融合FCM算法聚类研究

王 与，陈寿文

k-means融合FCM算法执行聚类过程，是在k-means算法完成聚类后，以其聚类结果作为FCM算法执行的初值，并通过FCM算法的执行完成。从结果分析可以看出，该算法聚类的效果比单纯使用FCM算法好，能够减少FCM算法循环体迭代运行次数并增强算法的鲁棒能力。

k-means算法； FCM算法； 混合均值算法

FCM 算法，也即模糊 C-均值聚类算法是由Dunn首先提出的，之后又被Bezdek加以推广[1]。因FCM算法运行机理简单，得到了广泛应用，然而通过具体分析其运行机理，发现该算法也存在如下局限性：①它没有考虑噪声指标的存在对数据分类的影响及样本特征指标间的相关性；②算法假定样本的各个特征指标对分类的贡献一致，无法刻画各个特征对分类的结果影响；③算法的性能依赖于初始聚类中心的选取，鲁棒性弱；④目标函数没有充分考虑到样本分布不均衡问题，且函数形式单一，仅采用了类内间距极小化的聚类准则，没有考虑类之间间距最大化以及各类之间的相互影响，使得算法易受噪声点的影响；⑤通常该算法只适用于数值型数据，不能直接运行于含有符号型属性的数据集上；⑥该算法具体模型中相应参数值的选取缺乏自适应性；⑦该算法在处理小量、低维的数据集是有效的，但其处理大量、高维的数据集耗时不能令人满意；⑧该算法是一种局部搜索优化算法，容易陷入局部收敛。

正是因为FCM算法存在上述的一些问题，这为其自身的进一步完善和发展创造了条件，许多学者针对不同的问题对其进行了改进。……