FCM算法中权重指数m的研究.pdfVIP

FCM算法中权重指数m 的研究 许磊，吴晓娟 山东大学山东大学信息科学与工程学院（250100 ） E-mail ：xuleisdu@ 摘 要：模糊c均值算法(FCM)是最常用的聚类算法之一。使用模糊c均值算法时，选取恰当的 权重指数（m ）是非常重要的。本文通过推导证明，得出权重指数m不仅决定FCM算法的聚类 模糊程度和样本在类间的分享程度，而且还影响目标函数的凹凸性及算法的收敛性。 关键词：权重指数；硬C均值算法；模糊c均值算法；划分熵 1. 引 言 模糊聚类是无监督模式识别中的一个重要部分，在模式分类、图像处理和模糊规则提取等 【】 众多的领域中获得了广泛的应用 1 。在众多的聚类算法中，模糊c均值(FCM) 算法是最重要也 是最为人们熟悉的方法之一。FCM算法是一种调整划分方法,通过目标函数J m 极小化的必要条 件之间的Pickard迭代来实现，其中m称为加权指数。当m= 1时，J 1 是著名的类内加权均方误差 【】 【】 和目标函数,经常被用来定义硬c均值(HCM)算法和ISODATA算法 2 。1973,Dunn 3 首先把J 1 扩 【】 展到J 2 ，后来Bezdek又把J 2 推广到了一个m 的无限族{J m ,1≤m ≤∞} 4 。这些算法现已被成 功地应用到了许多问题中，包括特征分析，聚类和分类器设计等。对于FCM算法目标函数J 中 m 【】 加权指数m 的影响，Bezdek认为“参数m控制着模糊类间的分享程度” 1 ，所以要实现FCM算法 就必须选择一个合适的m值。在实际应用中，大多数研究者认为m 的最佳取值范围为[1.5,2.5]， 【】 5 这与Pal等的实验结论一致 。 2. 硬C均值算法(HCM) 研究模糊c均值(FCM) 算法，首先应该了解硬C均值 (HCM)算法。HCM算法是经典的硬聚 类算法之一，能够对超椭球状的数据进行分类。设X {x ,x ,Lx }⊂Rs ，其中的数据集 1 2 n x [x ,x ,Lx ] ∈Rs ，n是数据集中元素的个数，c是聚类中心数(1cn), d x =−v 是 i 1i 2i ni ij i j