兰 红，黄 敏

江西理工大学 信息工程学院，江西 赣州341000

聚类（clustering）就是将一个数据集分成多个簇（cluster）或类，使得在同一类簇中的数据样本点之间具有相对高的相似度，而不同类簇中的数据样本点差别较大。根据聚类的结果可以从数据中发现规律和知识，探索出藏在数据之后的规律和模式。聚类算法被普遍地运用在数据科学分析和实际工程领域中[1-4]，经过许多国内外研究人员的努力，产生了许多优秀的聚类算法，根据研究方向和算法实现原理的不同，目前聚类算法可划分为基于密度的方法、基于网格的方法、基于层次的方法、基于模型的方法和基于划分式方法等五种主流方法[5]。

模糊C 均值（Fuzzy C-Means，FCM）算法[6]是基于划分式的聚类算法，此算法的基本思想是引入隶属度概念来量化样本点从属于每个类簇的数值大小，由此进行划分判断，使得划分到同一类簇的样本间相似度最大、不同类簇的样本间相似度最小，已达到对数据集划分为各类簇的目的，在模式识别、数据挖掘、数据分析、矢量量化以及图像分割等领域应用比较广泛[7-8]。FCM算法是C-Means算法的衍生改进算法，C-Means算法对数据集划分属于硬性、具体的划分，但FCM算法对数据集的划分属于软（柔）性、模糊的划分。FCM 算法没有考虑到样本点的邻域关系和局部信息，容易导致算法对噪声敏感。此外，FCM 算法在初始聚类中心的选取原则上是随机选取，若初始聚类中心选择不理想甚至选择了噪声点作为聚类中心，将导致算法收敛于局部极值点或得到错误的聚类结果。……