一种协同的可能性模糊聚类算法-计算机工程与应用.pdfVIP

Computer Engineering and Applications 计算机工程与应用 2014 ，50（21 ） 147 一种协同的可能性模糊聚类算法 谭 欣，徐蔚鸿 TAN Xin, XU Weihong 长沙理工大学 计算机与通信工程学院，长沙 410004 School of Computer Communication Engineering, Changsha University of Science Technology, Changsha 410004, China TAN Xin, XU Weihong. Collaborative PCM fuzzy clustering algorithm. Computer Engineering and Applications, 2014, 50 （21 ）：147-151. Abstract ：Fuzzy C-Means （FCM ）algorithm is sensitive to noise and Possibilistic C-Means （PCM ）algorithm is very sensi- tive to the initialization of cluster center and generates coincident clusters. With the collaborative relations among different feature subsets, the collaborative fuzzy clustering is combined with other clustering algorithms to make its clustering result better than that of the one with the original algorithm. An improved fuzzy clustering algorithm is proposed based on the combination of PCM and collaborative fuzzy clustering. The experimental results on the data sets show the effectiveness of the proposed method. Key words ：Possibilistic C-Means clustering （PCM ）; Fuzzy C-Means（FCM ）; collaborative fuzzy clustering 摘 要：模糊C-均值聚类（FCM ）对噪声数据敏感和可能性C-均值聚类（PCM ）对初始中心非常敏感易导致一致性聚 类。协同聚类算法利用不同特征子集之间的协同关系并与其他算法相结合，可提高原有的聚类性能。对此，在可能 性C- 均值聚类算法（PCM ）基础上将其与协同聚类算法相结合，提出一种协同的可能性C- 均值模糊聚类算法 （C-FCM ）。该算法在改进的PCM 的基础上，提高了对数据集的聚类效果。在对数据集Wine 和Iris 进行测试的结果 表明，该方法优于PCM 算法，说明该算法的有效性。 关键词：可能性C-均值聚类（PCM ）；模糊C 均值（FCM ）；协同模糊聚类 文献标志码：A 中图分类号：TP311 doi ：10.3778/j.issn. 1002-8331.1211-0251 1 引言 一条件假定每个数据点的影响力是相同的，这与实际情 聚类分析已经被广泛应用于数据挖掘、统计分析及 况并不总是一致的。1993年为了克服FCM 算法的不足， [1-5] c 图像处理等多个领域 并取得一定成功，不同应用领域 Krishnapuram 和Keller 取消了 μ 1k 的限制，提出