一种改进的密度加权的模糊c聚类算法.pdfVIP

计 算 机 系 统 应 用 2012 年 第 21 卷 第 9 期 一种改进的密度加权的模糊 C 聚类算法① 王行甫, 程用远, 覃启贤 ( 中国科学技术大学 计算机学院, 合肥 230027) 摘 要: 模糊 C 均值聚类算法(FCM)是一种流行的聚类算法,在许多工程领域有着广泛的应用. 密度加权的模糊 C 均值算法(Density Weighted FCM)是对传统 FCM 的一种改进,它可以很好的解决 FCM 对噪声敏感的问题. 但是 DWFCM 与 FCM 都没有解决聚类结果很大程度上依赖初始聚类中心的选择好坏的问题. 提出一种基于最近邻居 节点对密度的 FCM 改进算法 Improved-DWFCM,通过最近邻居节点估计节点密度的方法解决聚类结果对初始簇 中心依赖的问题. 仿真结果表明这种算法选择出来的初始聚类中心与最终结果的簇中心非常接近, 大大提高了 算法收敛的速度以及聚类的效果. 关键词: 模糊聚类; 基于密度加权的模糊 C 聚类; 初始聚类中心; 最近邻居节点对; 密度 Improved Density Weighted Fuzzy C Means Algorithm WANG Xing-Fu, CHENG Yong-Yuan, QIN Qi-Xian (School of Computer Science, University of Science and Technology of China, Hefei 230027, China) Abstract: Fuzzy C Means algorithm is popular soft clustering algorithm. It has been applied in many engineering fields. Density weighted FCM is its variant, which can solve FCM’s problem: sensitive to outlier and noise data. However, performances of both algorithms are heavily depend on proper initial cluster centers. This paper proposes a novice algorithm: Improved density weighted FCM based on nearest neighbor pair and its density, simulation results show initial center produced by the algorithm are very close to final cluster center. Thus IDWFCM can convergent very quickly and improve the performance. Key words: fuzzy C means; improved density weighted fuzzy C means; initial cluster center; nearest neighbor data pair; density 聚类是一种重要的非监督模式学习算法, 在许多 法中模糊 C 均值算法(FCM)是一种十分流行的聚类算 工程领域如: 模式识别、系统建模、图像处理、通信、 法, 许多学者对 FCM 进行广泛的研究[1-5]. 然而, FCM 数据挖掘方面有广泛的应用. 聚类是将一组没有标签 也有一些缺点: 初始簇中心选择对聚类结果好坏有很 的样本数据分成几簇, 使得同一簇内的数据其相似度 大的影响; 容易受到噪声数据影响; 由于隶属度函数 最大, 不同簇中数据之间相似度最小.