王治和，王淑艳，杜 辉

（西北师范大学计算机科学与工程学院，兰州 730070）

0 概述

聚类分析是将样本对象划分成子集的过程，即把每个子集作为一个簇，簇中的对象相似程度高，不同簇中的对象相异程度高。目前，聚类分析已被广泛应用于数据挖掘、模式识别和图像处理等领域，很多经典算法被提出用于样本对象的聚类，主要有基于划分、层次、密度、网格和模型五大类［1］。模糊C 均值（Fuzzy C-means，FCM）聚类算法是一种基于划分的聚类算法，其因简洁、高效而得到了广泛的应用［2］，但在建立相似度矩阵、随机初始化聚类中心和预先确定聚类数目等方面还存在不足。在建立相似度矩阵的过程中，FCM 算法采用欧氏距离的相似性度量只对凸数据具有良好的处理性能，在复杂形状和非凸数据中往往会失败，因此，确定合适的相似度矩阵是提高FCM 算法聚类性能的关键因素。

相似度矩阵依赖于距离度量这一特点，吸引了很多学者的研究与关注。文献［3］提出一种基于加权欧氏距离的改进FCM 算法，其中加权欧氏距离是将特征权值合并到常用的欧氏距离中，结果表明，适当的特征权值分配可以提高FCM 算法的聚类性能。文献［4］引入一种鲁棒的非欧氏距离度量方法来提高传统FCM 算法的效率，从而减少噪声和异常值对聚类性能的影响。文献［5］提出使用马氏距离和闵可夫斯基距离来代替欧氏距离，提高了FCM 算法对于高维数据的识别能力。文献［6］提出一种基于散度相似性度量的FCM 算法，其对噪声特征的扰动具有更强的鲁棒性。……