改進的模糊C-均值聚類算法.pdf

1、模糊聚類由于能夠描述樣本類屬的中介性，能夠客觀地反映現(xiàn)實世界，已逐漸成為聚類分析的主流．在眾多的模糊聚類算法中，模糊C-均值算法(FCM)可以說是應(yīng)用最為廣泛、最為靈敏的一種算法．但是該算法對初始化特別敏感，很容易陷入局部極小值或者鞍點，而得不到全局最優(yōu)解；并且當(dāng)我們使用這一聚類算法時，必須事先指定數(shù)據(jù)集的聚類數(shù)，然而聚類數(shù)C一般是很難預(yù)先知道的． 通過對FCM聚類算法的運行機理進行系統(tǒng)的分析，本文從兩個方面對FCM聚類算法進行

2、了改造.首先，針對FCM算法對初值敏感的問題，提出了一個全局模糊C-均值聚類算法．這個算法通過動態(tài)增加聚類中心的方式，不依賴于任何的初始條件，進行全局搜索以達到最優(yōu)聚類的目的．在此基礎(chǔ)上，我們又給出了一個快速全局模糊C-均值聚類算法，用以提高全局模糊C-均值聚類算法的運行速度．實驗結(jié)果表明，文中提出的全局模糊C-均值聚類算法有效地克服了FCM對初值敏感的問題，同時提高了聚類的準(zhǔn)確性；快速全局模糊C-均值聚類算法不僅提高了全局模糊C-均值

3、聚類算法的運行速度，而且基本上保持了聚類的準(zhǔn)確性． 其次，針對FCM算法需要事先指定聚類數(shù)的問題，提出了一個新的聚類有效性函數(shù)．該函數(shù)是由緊致性度量和分離性度量兩部分構(gòu)成，其中緊致性度量通過計算類內(nèi)誤差來反映類內(nèi)樣本的分散程度；分離性度量通過計算模糊集之間的距離來反映類間的分離程度．當(dāng)數(shù)據(jù)集的緊致性度量較小、分離性度量較大時，則意味著我們能對數(shù)據(jù)集進行較好的模糊劃分，進而比較準(zhǔn)確地確定數(shù)據(jù)集的聚類數(shù)．實驗結(jié)果表明該函數(shù)具有良好的