改进的初始中心和隶属度函数的模糊C-均值算法.pdfVIP

第 13卷 第 1期 重庆科技学院学报 (自然科学版 ) 2011年 2月 改进的初始中心与隶属度函数的模糊C一均值算法 万 龙 (重庆大学，重庆 400030) 摘 要 ：针对模糊C一均值(FCM)算法对初始中心敏感 的缺点，通过选取离均值最远的点作为初始聚类中心的方法 ．提 出了一种基于均值距离的初始中心选取算法 ，同时 由于远离各类聚类中心的野值样本会影响迭代结果 ．通过改变隶 属度函数来克服这种缺陷。然后选取有代表性 的样本作为实验数据集进行实验 ，通过实验得 出．与传统的FCM算法 比较，改进的FCM算法可以得到更高的准确率 ，实验证明了改进算法的有效性和优越性。 关键词 ：模糊C一均值 ；初始中心 ；隶属度 函数 ；聚类 中心 中图分类号 ：0159 文献标识码 ：A 文章编号 ：1673—1980(2011)0l一0178—03 聚类分析作为一种非监督学习方法 。是机器学 局部最优以及对初始值敏感的问题。 习领域 中的一个重要的研究方向。在聚类分析中， 本文针对FCM算法对初始聚类 中心的敏感性问 模糊C一均值(FCM)聚类算法是最重要的模糊聚类算 题，通过选取离均值最远的点作为初始聚类中心的方法． 法之一 ，被广泛应用于特征分析 、模式识别 、图像处 提出了一种基于均值距离的初始中心点选取算法．同时 理 、分类器设计和聚类等等…。 改进了隶属度函数，进一步提高了聚类效果。实验表明， FCM算法就是反复修改聚类 中心和隶属度矩阵 算法的稳定性较好．并且算法的准确率得到了提高。 的过程，因此也称为动态聚类。FCM算法从任意初始 点开始。沿着一个迭代子序列收敛到 目标函数的局 1 传统模糊C一均值算法 部极小点。但该算法存在着一些不足2【I： 数据集 ，i=l，2，… ，nJ是n个样本组成 的样本 (1)算法 的性能依赖于初始聚类 中心和初始隶 集合 ，c为预定 的类别数 目，m =1，2，…，C)为每个 属度函数的选取。 聚类的中心，“)是第个样本对于鳓类的隶属度函 (2)事先必须确定聚类的个数。 (3)模糊指标 的选择。 数。FCM的目标函数可以写为： (4)收敛到局部极值问题 。 垆 [ ) xi-mjll (1) 针对这些 问题 ，很多学者进行 了研究。文献采 用贪心算法选取有代表性的点作为初始中心，提出 其中，bl是一个可以控制聚类结果 的模糊程 一 种基于权重的初始中心点选取算法。得出了优化 度的常数。 聚类初始中心的模糊C一均值方法 ；文献f31采用一种 模糊C一均值算法要求一个样本对于各个 聚类 改进的最大最小距离算法对原始空间中的数据进行 的隶属度之和为1．即 ： 粗分类，将粗分类结果 中每类类心作为初始聚类 中 心，再运用核C一均值聚类算法进行分类 ；文献[4】针对 隶属度归一化可能引起结果偏差的问题 。通过改进 在条件式 (2)-ff求式 (1)的极小值，令 和 Ⅱ， 隶属度函数。为每个样本点赋予一个定量的权值 ，来 )得偏导数为0，可得必要条件 ： 构造加权的 目标函数 ；文献f5】通过加入点密度加权 系数和特征矢量权重，提出一种具有两阶段 的模糊 ∑[ F