|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
自动确定聚类个数的模糊聚类算法
, s0 @, Z. l9 t1 u I% ` G0 W- s* M摘要:本文通过集成多次FCM(Fuzzxy C-Means)聚类结果以及采用软化分方式,提出一种新的自动确定聚类个数的模糊聚类算法.本算法首先利用不同的聚类数目对数据进行FCM聚类,然后充分利用多次FCM聚类得到的隶属度信息构建一个累积邻接矩阵,最后采用迭代方式对累积邻接矩阵进行图切分以获取最终聚类结果.大量的仿真实验表明,相对现有集成聚类方法,本文方法能够有效减少FCM的聚类次数,并且在图切分过程中的迭代次数为现有方法的1/2左右.; r6 X: u }& e+ z: [
关键词:模糊聚类;FCM算法;图切分
$ w0 G! P. ?0 f) K |0 }
8 s1 U0 D. i* D& C. k! @5 A1引言
4 l1 n+ B5 n8 y7 \, t( P0 j) P3 ]( p数据聚类是指将一个数据集划分成多个数据子集,并且处于同一数据子集的数据样本间具有较大的相似度,而处于不同子集数据间样本的相似度较小1 ~3].聚类是进行有效数据挖掘的一项重要研究方法,在图像分割、模式识别、计算机视觉等领域中有着十分广泛的研究与应用1~13].
2 @+ M& U8 F) |% o7 w: O根据数据在聚类中的集聚规则及应用这些规则的方法,可以将聚类分为四类12]:层次化聚类算法、划分式聚类算法、基于密度的聚类算法和基于网格的聚类算法.其中划分式聚类算法因其具有简单、有效等特性而得到了广泛地研究与应用1~17].典型的划分式聚类算法有K-Means算法、K-Medoid算法、FCM算法等[12].前两种算法属于硬划分聚类方法,后一种算法属于软划分聚类方法.由于引入了模糊信息,FCM 算法得到了更为广泛地关注.8 Y8 ^8 S0 n9 S; e3 y3 E( e( q, O; a
为完成准确聚类,传统FCM 算法需要事先指定聚类个数.如在图像分割领域,由Cai 等人提出的结合局部信息的快速和鲁棒的模糊聚类算法(FGFCM) [5]、由) c+ F. }8 g1 [3 U% F) r0 {
: u4 h5 W/ X! k. G5 }! {
3 ^8 b' |& |# q3 G+ a5 z. _, P; U' C% J% V% V) f7 z4 L
, J9 L' O1 @! p
|
|
/1 
发表于 2021-3-18 14:00
收藏
淘帖
支持！
反对！