模糊c均值聚类法的相关问题研究.pdfVIP

模糊C均值聚类算法的相关问题研究 摘 要 C-Means)的研究领域隶属于数据挖掘的 模糊C均值聚类算法(FCM：Fuzzy 聚类分析方向，是一种基于目标函数的无监督的聚类分析算法。它是在传统聚类 分析算法的基础上引入模糊数学理论的概念，并利用隶属度函数来表示数据对象 相对于类簇的所属关系。 本文主要研究内容是：首先，从模糊C均值聚类算法的目标函数进行推导， 推导出在聚类分析取得最优化解时隶属度函数∥(石)和聚类中心的数学表达式。 然后，从模糊C均值聚类算法的相关问题入手，论述了解决问题的理论依据 FuzzyC—Means)算法。该算法的 和具体思路，并提出的PFCM(PFCM：Optimal 主要内容是：第一，由于FCM的初始聚类中心是随机产生，聚类的效果可能会随 着初始聚类中心的选择而波动。本文根据推导出的聚类中心的表达式，采用数据 分段方法，确定初始聚类中心，以减少聚类结果因初始聚类中心的随机性选择而 引起的波动。第二，由于FCM算法在计算数据对象各维特征的距离时某些维度特 征的量纲或者偏离度可能差异巨大，进而有可能掩盖其它维度的特征作用。本文 运用层次分析法，从数据对象纵向上构造了一个成对比较矩阵，以各维特征的方 差为基准，计算各维特征的权重来平衡它们的作用。第三，由于FCM算法是一种 迭代爬山的搜索算法，它在处理高维数据时效率比较低。本文利用多项式拟合的 方法，从数据对象横向上建立非线性映射，将原数据对象映射到一元多次函数的 系数上，使用一元多次函数的系数来代替原数据对象的各维数据，以降低原数据 对象的维度，进而增强FCM算法处理高维数据的能力。第四，由于FCM算法在迭 代过程时使用距离更新聚类中心，当奇异点的范数过大时，可能会极大地减少其 他数据对象的作用。本文在每次算法迭代过程时，检测各个类簇中潜在的奇异点， 然后根据方差分析假设检验的方法，判断它是否是真正的奇异点。如果接受假设， 则不将该奇异点加入到调整聚类中心的集合中，反之，则加入，以此来减少奇异 点对聚类结果的影响。 式识别中。实验结果和应用实例表明：PFCM算法在一定程度上优化了FCM算法， 提高了FCM算法的性能和效率。 关键词：模糊C均值聚类算法；聚类分析；层次分析法；多项式拟合；方差分 析 n of on ResearchtheRelatedProblems C-Means Fuzzy Abstract Theresearchareaof Cmeans subordinatestoDate Fuzzy algorithm Mining，and isonedirectionofCluster isonekindof Analysis，which unsupervisedalgorithm basedonthe function．Itisintroducethe of mathematical objective conceptfuzzy intothetraditionalcluster usesthe functionto theory algorithm，andmembership the relationwhich the subordinate isbetweendate andcluster． represent object Themaincont