基于MFCM改进聚类算法及在交通中应用.pdfVIP

第23卷第l期 长沙交通学院学报 V01．23No，l 2007年3月 JoURNALoFCHANGSHACoMMUNICATloNSUNIVERSlTY Mar． 2007 文章编号：1000一9779(2007)Ol～005l—05 基于MFCM的改进聚类算法及其在交通中的应用 贺国光1，鲁静罡1，唐福萍2，陈宇红2 (1．天津大学系统工程研究所，天津300072；2．云南省交警总队科技处，云南昆明650224) 摘 要：在交通流状态模糊化的过程中，对已有的交通模糊控制研究引入了太多的主观因 素。为了解决这个问题，提出了一种基于MFCM算法的分级递减聚类算法，利用MFCM算法 寻找类中心，再自适应确定该类中心的隶属度阈值，将聚类进行分级处理，实现未知类别数数 据集的聚类．将改进算法应用到交通流状态聚类中，可以更科学地确定交通流状态的聚类数 和各类模糊隶属度函数的结构等，最后，通过算例，说明了该算法对于未知聚类数及服从高斯 分布的数据集具有聚类效果好、收敛速度快的特点． 关键词：交通工程；交通流状态；模糊聚类；分级递减；MFcM算法 中图分类号：U491 文献标识码：A 在交通流控制领域中出现了许多控制算法，模糊控制算法就是其中很有效的一种算法．如何将路口 交通流状态模糊聚类是交通模糊控制中需要首先解决的基本问题．现有的交通模糊控制算法中都是根 据经验人为地确定模糊聚类的边界值，使得交通流状态的模糊化带有很大的主观性，进而影响交通模糊 subtractive fuzzyC—means)算法。u的分级递减聚类(hierarchical 找类中心，再自适应确定该类中心的隶属度阈值，将聚类进行分级处理，实现未知类别数数据集的聚类． 假设交通流状态近似服从高斯分布，该改进算法对于未知聚类数及服从高斯分布的数据集具有聚类效 果好、收敛速度快的特点．最后，用服从二维高斯分布的交通流数据对算法进行了验证． 1 交通流状态聚类分析的数学描述 设交通流状态共有n个样本(n种不同的交通流状态)，x={戈。，戈：，…，x。}是待聚类对象的全体， x中的每个状态戈。(矗=1，2，…，n)用s个参数值来描述，每个参数值刻画交通流的某个特征，于是，石。对 矢量．聚类就是分析x中n个样本所对应的模式矢量间的相似性．把戈．，髫：，…，石。划分为c类，x。，x：， …，x。作为模糊控制算法的输入． 2 MFCM聚类算法 改进的模糊C一均值聚类(MFcM)算法是近年提出的有效聚类方法．由于没有对隶属度进行归一 化，MFcM与FcM(Fuzzyc．means)相比，克服了数据野值(数据的异常值)对聚类收敛性的影响，使最 终聚类结果对预先确定的聚类数目不太敏感，获得的各个聚类中心都能接近实际的类中心．但MFCM 和FcM算法一样，需要给定类别数的初始值．MFcM算法为： 收稿日期：2006—09一04 基金项目：国家自然科学基金资助项目；云南省省院省校科技合作计划项目资助(2004Yx22) 作者简介：贺国光(1942一)，男，天津大学管理学院教授，博士生导师． 万方数据 52 长 沙 交 通 学 院 学 报 第23卷 个非退化模糊c一划分矩阵u={ui}∈R“。．在MFcM算法中，u满足 f∑∑“。=n f J 2l”l 00uⅡ凡，1i：妄n，l≤歹≤C 对于式(1)聚类，定义数据点到类别中心的加权距离平方和为目标函数： C “ 几(u，y)=∑∑(uu)6略 (2) 类中心集合；d#=jl茁。一V川为欧氏距离测度． 解，可以得到u，y的取值公式‰引： ≠掣生^s