一种改进的模煳C均值算法.pdfVIP

2009年7月 情报探索 第 7期 (总 141期) 一 种改进的模糊 C一均值算法 陈春 明 (桂林电子科技大学 广西 541004) 摘 要 提 出一种改进的模糊 c一均值算法 。实现 了算法 中聚类数 c及权指数m两个参数的确定方法。该算法能很好地实 现参数快速、有效的确定。比传统FCM 算法具有一定的优越性。 关键词 模糊聚类 FCM 算法 聚类有效性 中图分类号 ：TP301．6 文献标识码 ：A 文章编号 ：1005—8095(2009)07-o021-o4 基于 目标函数的模糊聚类方法 由于具有设计简 ∈0【，1】 1≤ ≤c，1≤ ≤n 单，适用范围广，且可以转化为优化问题来借助经典 C 数学的非线性规划理论求解等优点。已成为聚类研 ∑‰=1 1≤k≤，l (，1)、 i=1 究的热点。其中，受到广泛关注的是模糊 C一均值 (FuzzyC-Means，FCM)算法。 ∑uaO 1≤ ≤C k=1 FCM算法实质上是初始聚类 中心到聚类结果的 阶矩阵集合 ，令 =(，：，…，t，。)∈R。是聚类 中心 ， 映射，当算法中初始参数值确定后，聚类的结果就被 其 中 ∈R是类 (1≤ ≤c)的中心，则FCM 的 目标 唯一的确定了，因此 ，初始参数值 的确定非常重要 。 函数可表示为 厶(u，)：(M~．xR) 。 目前FCM算法的实现通常是根据经验或实验用人 n C 工选择的方法来确定算法 中的初始参数，然后用指 厶(，)= ()ll· Il (2) 定的参数值代人算法实现聚类 。但是，由于缺乏理论 I=l i=l 式中，II瓤1JiIl2_=(xk-vi，瓢 )‘，1≤m≤+oo。 指导。这种启发式的FCM算法往往需要花费较长时 Bezdek的定理证明，(u’，tI)‘是 (u，)的局部极 间选择参数才能产生好的聚类结果。FCM算法的 目 小值 的必要条件为 ： 标函数存在许多局部极小点，而算法的每一步迭代 都是沿着 目标函数减小的方 向进行，所以，若初始化 ∑() 落在一个局部极小点附近 ，就可能使算法收敛到局 lI：：_l一 (=1，2，…，c) (3) 部最小值 ．这在聚类数 比较大的情况下尤其突出。因 ∑()m 此，研究FCM算法初始参数(主要指聚类数 c和权 上=l 指数m)的确定方法具有重要应用价值。 ／／,：==—．_=—————_L——一——一 (=‘l1，2z，’……，’cc；；，．ic}1，’2，’……，’ 1 基于 目标函数的FCM算法 ∑( )c， FCM算法是一种能 自动对数据样本进行分类的 j1 u诲 方法。它通过优化 目标函数得到每个样本点对类中