赵慧珍，刘付显，李龙跃

(空军工程大学 防空反导学院，陕西 西安 710051)

Parzen窗确定系数的协同模糊C均值算法

赵慧珍，刘付显，李龙跃

(空军工程大学 防空反导学院，陕西 西安 710051)

协同模糊C均值(collaboration fuzzy C-means，CFC)算法的协同系数通常根据经验人工设定，且在协同过程中保持不变，不能充分利用数据子集之间的协同关系，算法精度有限。提出Parzen窗确定系数的协同模糊C均值(βp-CFC)算法。用模糊C均值(fuzzy C-means，FCM)算法求出各数据子集的隶属度和聚类中心，再用Parzen窗求出各子集在聚类中心处的密度，根据子集间密度的相关性设定变化的协同系数，利用变化的协同系数进行协同聚类。以Matlab为平台，对βp-CFC算法进行了实验，算法聚类准确率可达到80.34%，比模糊C均值算法、固定系数的CFC算法的准确率分别高出11.80%和3.94%。实验证明，βp-CFC算法较为合理，聚类性能较好。

Parzen窗；密度；模糊C均值；协同系数

0 引 言

聚类算法是数据挖掘领域的重要数据分析方法之一，其原理是利用数据集中对象的相似性形成有限个簇，簇间对象相似性尽可能低，簇内对象相似性尽可能高[1]。常用相似性度量指标有欧式距离、马氏距离、切比雪夫距离等。众多聚类算法中，模糊C均值[2-3](fuzzy C-Means, FCM)算法作为对经典C均值算法的扩展[4]，在数据挖掘、模式识别等领域有着广泛研究和应用。

协同模糊聚类最早在文献[5]中提出，算法利用同一对象在不同数据子集中的信息，即数据子集之间的协同作用，得到更精确的隶属度矩阵，从而提高聚类性能。协同模糊C均值(collaborative fuzzy C-means, CFC)[5-6]算法是在FCM[7]的基础上提出来的，是关于协同模糊聚类最先进的方法之一。……