k．means融合fcm算法聚类研究-evcarexpocom.pdfVIP

第 16卷第 5期 滁州学院学报 、，0ll16N05 2014年 1O月 。 JOURNALOFCHUZHOUUNIVERSITY oct2014 k．means融合FCM算法聚类研究 王 与，陈寿文 摘 要：k—means融合FCM 算法执行聚类过程，是在 k．means算法完成聚类后，以其聚类结果作为FCM 算法执行的初 值，并通过 FCM算法的执行完成。从结果分析可以看出，该算法聚类的效果比单纯使用 FCM 算法好 ，能够减少FCM 算法循环体迭代运行次数并增强算法的鲁棒能力。 关键词：k．means算法； FCM算法； 混合均值算法 中图分类号：TP311 文献标识码．A 文章编号：1673—1794(2014)05．0051—04 作者简介：王 与，滁州学院数学与金融学院教师，硕士，研究方向：数据挖掘；陈寿文，滁州学院数学与金融学院(安 徽 滁州 239000)。 基金项 目：滁州学院科研启动基金资助项目(2014qd011) 收稿 日期：2014．03．03 FCM 算法，也即模糊 C．均值聚类算法是由 选取的不同造成聚类结果迥异的现象，文献 [4]则 Dunn首先提出的，之后又被Bezdek加以推广 “。 采用了结合遗传算法优化初始中心点的做法对其 因FCM算法运行机理简单，得到了广泛应用，然 进行改进，取得了很好的效果。针对问题④ ，文 而通过具体分析其运行机理，发现该算法也存在 献 [5，6]通过更改距离定义来改善样本不均衡问 如下局限性：①它没有考虑噪声指标的存在对数 题。而对于问题⑤，文献[7]对 FCM 算法进行了 据分类的影响及样本特征指标问的相关性；②算 适当处理后 ，提出了用于混合类型数据的聚类方 法假定样本的各个特征指标对分类的贡献一致， 法。就问题⑥而言，FCM算法模型中因其 目标函 无法刻画各个特征对分类的结果影响；③算法的 数中引入了参数 m，就如何确定该参数的取值问 性能依赖于初始聚类中心的选取，鲁棒性弱；④ 题，文献[8，9]中对m 的优选 问题做了讨论，并指 目标函数没有充分考虑到样本分布不均衡问题 ， 出选取的参考值为[1．5,2．5]，通常选m=2。对问题 且函数形式单一，仅采用了类 内间距极小化的聚 ⑦来说，FCM处理大量、高维数据集合时，文献 类准则，没有考虑类之间问距最大化以及各类之 1『0]基于采样技术对 FCM算法进行了改进，并结 间的相互影响，使得算法易受噪声点的影响；⑤ 合遗传算法对聚类结果进行优化。对问题⑧来说， 通常该算法只适用于数值型数据，不能直接运行 为了尽量克服FCM算法收敛于局部极小点，许多 于含有符号型属性的数据集上；⑥该算法具体模 学者使用了具有全局搜索能力的智能算法对其进 型中相应参数值的选取缺乏自适应性；⑦该算法 行改进，如文献[11]提出了一种基于改进遗传算法 在处理小量、低维的数据集是有效的，但其处理 的模糊聚类方法，避免FCM算法容易陷入局部最 大量、高维的数据集耗时不能令人满意；⑧该算 优解的缺陷，文献 [121~U提出了粒子群优化算法和 法是一种局部搜索优化算法，容易陷入局部收敛。 FCM结合的聚类方法，同样获取全局最优聚类。 正是因为FCM算法存在上述的一些问题，这 由于 FCM 算法对初始聚类中心比较敏感， 为其 自身的进一步完善和发展创造了条件 ，许多 本文将首先利用 k—means聚类算法的运行结果来 学者针对不同的问题对其进行了改进。 初始化FCM 的聚类