一种改进的FCM算法及仿真实验研究

刘杰

(陕西理工学院 数学与计算机科学学院， 陕西 汉中 723000)

[摘要]针对模糊C均值(FCM)算法的缺陷，提出了一种改进的FCM算法。将物理学中的信息熵概念引入聚类分析中，用熵值法度量样本的各种属性对分类不同程度的影响，并用模糊划分系数FC(μ)和平均模糊熵HC(μ)对改进后的算法性能进行了评价。仿真实验结果表明，改进后算法的FC(μ)和HC(μ)分别为0.919和-0.096，改进后的FCM算法在实际的聚类分析中能取得更好的分类效果。

[关键词]模糊C均值算法；改进；信息熵；模糊划分系数；平均模糊熵

[文章编号]1673-2944(2015)04-0040-05

[中图分类号]TP301.6

收稿日期：2014-11-07

基金项目：陕西省科技厅重大科技创新专项(2011ZKC05-16)；陕西省教育厅科学研究计划项目(12JK0982)

作者简介：刘杰(1982—)，女，陕西省汉中市人，陕西理工学院讲师，硕士，主要研究方向为智能算法及应用。

聚类就是按照一定的要求和规律对事物进行区分和分类的过程。聚类分析是多元统计分析的一种，它将没有类别标记的样本按照某种准则划分成若干子集，使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同类。由于在该过程中没有任何关于分类的先验知识而仅靠事物间的相似性作为类属划分的准则，因此属于无监督分类方法。该方法已经被广泛应用于模式识别、数据挖掘及图像处理等各个领域。

传统的聚类分析是一种硬划分，将每一个样本严格地归属于某一类中，具有非此即彼的绝对性，分类界限明确。而在实际的分类中，很多对象在性态和类属方面具有中介性，那么采用硬划分的方法就因为出现争议而缺乏合理性，因此通常采用软划分。……