高翠芳　张　朔　殷　萍　沈莞蔷

(江南大学理学院，无锡，214122)

引　　言

聚类分析是数据处理的一种重要方法与手段，传统的硬聚类算法对每个样本点的类别归属进行严格的划分，使得每个样本点都具有非此即彼的性质。由于现实中数据样本的特性和类属总是存在一定程度的中间性，于是将模糊理论与聚类算法相结合，出现了模糊聚类算法[1-4]。模糊C均值聚类算法(Fuzzy C-means algorithm, FCM)算法是目前研究和应用较为广泛的模糊聚类算法之一[5-7]，它在目标函数中建立对样本类属的模糊描述，并采用模糊隶属度衡量每个数据点属于不同类别的程度。模糊协同聚类[8-11]在算法处理独立数据集的基础上，建立了一种针对不同数据子集之间协同合作关系的综合优化模型，能用一个目标函数同时处理多个既互相联系又各自独立的特征子集。其聚类思想主要是通过计算和调整各数据子集之间的隶属度差异，实现各子集之间的综合聚类，是一种颇有应用潜力的新算法。

但是，无论是使用整体数据集的FCM算法还是综合使用各个数据子集的协同聚类算法，都是用一个中心点代表一类(每一维)，相比于多中心点的模糊聚类算法[12]和基于中心区域的聚类算法[13]，其单一的类中心点和隶属度分类指标，很难充分体现不同类的结构特征。如果各类中数据点的分布疏密差别较大，在边界点的处理上就会存在一定的缺陷，即对于隶属度不清晰的点在分类时会出现偏差。一些基……