胡雅婷，曲福恒

（1.吉林农业大学 信息技术学院，长春 130118；2.长春理工大学 计算机科学与技术学院 长春 130022）

一种改进的多尺度可能性聚类算法

胡雅婷1，曲福恒2

（1.吉林农业大学 信息技术学院，长春 130118；2.长春理工大学 计算机科学与技术学院 长春 130022）

针对多尺度可能性聚类算法（MPCM）计算复杂度较高的问题，提出一种改进的多尺度可能性聚类算法（IMPCM）。算法利用k-均值聚类的收敛点来作为MPCM的初始点，在继承了MPCM优点的同时，解决了原始MPCM中无效初始点过多以及初始点位置不理想造成的迭代次数过高的问题。对比实验结果表明，算法具有良好的聚类效果与更高的计算效率。

k-均值聚类；可能性聚类；均值漂移

1996年，Krishnapuram与Keller提出了可能性模糊c-均值聚类（PCM）算法［1］，PCM放松了模糊c-均值聚类（FCM）算法［2］的概率型约束条件，能够解决FCM算法受噪声影响的问题。但PCM算法模型本身固有的模式也引发了新的问题，即算法对初始化参数敏感，且容易产生重合的聚类［3］。为此，有多种改进的可能性聚类算法被提出［4-7］。Yang与Wu同时考虑到FCM的目标函数和两个聚类有效性指标［4］，使其提出的算法适用于无监督聚类。Pal等人综合考察模糊聚类和可能性聚类算法，先后提出两种混合聚类模型［8］。为了解决PCM对MPCM算法的时间复杂度主要取决于均值漂移聚类的初始点个数和迭代次数，算法的初始初始化敏感及发现数据集的不同尺度聚类结构问题，Hu等于2010年提出MPCM算法［9］。点是通过网格剖分方法获得的，这种方法首先对数据空间的进行网格剖分，再在每个剖分的网格内选择一些（个）特征点作为MSC的初始迭代点。……