冯俊淇，张正军，章 曼，严 涛

(南京理工大学理学院,江苏 南京 210094)

0 引 言

聚类分析是一种常用的无监督学习算法，对于一组未知类标签的数据集，它能够根据样本间的相似性，将样本划分到对应的类别，从而使同一类别中样本相似度较高，不同类别间样本相似度较低。近年来，随着数据爆炸式增长，聚类分析被广泛应用于图像处理、数据挖掘、机器学习等领域。

聚类方法发展至今，已有许多成熟算法：划分聚类算法K-means[1]和K-medoids[2]、密度聚类算法DBSCAN[3]、层次聚类算法CURE[4]、网格聚类算法STING[5]等。

根据隶属度取值方法，聚类算法可以分为硬聚类算法和软聚类算法。传统聚类算法中的K-means就是硬聚类算法，样本的隶属度取值是0或1，即样本只能属于一类，这种“非黑即白”的分类方法并不符合生活中的现实关系。1973年Dunn[6]将模糊关系引入到K-means算法，提出了模糊C均值(FCM)算法，1981年Bezdek[7]将模糊指数引入目标函数，扩展了算法的一般性。

尽管模糊C均值(FCM)算法应用于现实生活中的诸多领域，但是仍存在一些不足：1)算法中采用欧氏距离作为相似性度量，未考虑数据的各属性对聚类的影响不同，导致聚类效果不理想；2)聚类过程中仅考虑样本与聚类中心的距离，没能有效利用邻域样本的信息，造成边界样本和噪声样本错分率较高。近年来，许多专家学者针对FCM算法缺点提出了改进，取得了丰厚的研究成果。文献[8-11]通过对数据赋予权重的方法来优化算法，提高聚类性能；文献[12-14]利用不同的方法对聚类中心初始化，有效减小了噪声点对聚类过程的影响，提升了聚类的准确性；……