唐德玉，曹东，杨进

（1.广东药科大学医药信息工程学院，广州　510006；2.广州中医药大学医学信息工程学院，广州　510006）

一种改进初始中心点的FCM算法

唐德玉1，曹东2，杨进1

（1.广东药科大学医药信息工程学院，广州510006；2.广州中医药大学医学信息工程学院，广州510006）

传统FCM算法存在聚类初始中心点敏感及迭代次数多的缺点，提出一个改进聚类初始中心点的加强FCM算法。新算法通过数据转换及排序把数据划分到合适的簇中，从而找到最好的聚类初始中心点。在给定聚类数目的条件下，通过UCI机器学习数据库中的两组数据集进行实验比较，结果表明采用加强FCM算法比传统FCM算法收敛速度更快，有较高的准确率和稳定性。

模糊C-均值；目标函数；聚类初始点；数据划分

广东省财政专项“中医药防治重大疾病临床科研信息一体化平台建设项目”、广东省自然基金项(2016A030310300）、基于协同智能优化的药物-靶标相互作用预测方法研究

0　引言

K-Means算法是1967年由Mac Queen提出的聚类算法。K-Means方法是一个划分方法，把数据划分到K个组[1-2]。将模糊数学应用到K-Means算法，从而发展到使用模糊理论的划分方法，也就是目前很流行的模糊C-均值（简称FCM）[7]聚类算法。该算法已经应用在数据挖掘、模式识别、计算机视觉、医学图像等领域，具有重要的理论与实际应用价值。但是K-Means和FCM算法还存在很多共同的问题亟待解决[8]。如聚类数目难确定，初始中心点敏感，迭代次数多，容易陷入局部极值，难以取得全局最优。

针对上述问题，有很多学者提出改进K-Means算法初始中心点的方法[3-6]。……