模糊聚类的目标函数FCM算法.ppt

聚类分析原理 有16张牌 如何将他们分为 一组一组的牌呢？ 聚类分析原理 分成四组 每组里花色相同 组与组之间花色不同 聚类分析原理 分成四组 符号相同的牌为一组 聚类分析原理 分成两组 颜色相同的牌为一组 k-means 聚类 1.选择K（聚类数） 2.选择K个初始聚类中心c1,…,ck 3.迭代直至收敛： （1）依据每个样本与K个聚类中心的相似性，对样本进行划分 （2） 更新聚类中心 目前研究现状及发展方向 实际中受到普遍欢迎的是基于目标函数的模糊聚类方法，我们的研究主要集中在模糊聚类算法实现途径上。现有的实现途径主要分为：基于交替优化、神经网络和进化计算等方法。 以上三种模糊聚类的实现途径各有优缺点，这就启发我们集成三者的优点构造速度快、精度高并且全局收敛的模糊聚类算法。 数据聚类中的智能计算方法 模糊c-均值聚类算法 基于神经网络的模糊聚类算法 遗传与模糊c-均值混合聚类算法 模糊c-均值聚类算法的主要思想 它是一种基于梯度下降的聚类算法，其中以ISODATA算法最为常用，该算法的整个计算过程是通过反复修改聚类中心和分类矩阵，因此这种方法常被称为动态聚类或者逐步聚类法。 基于神经网络的模糊聚类算法 聚类神经网络的设计方法是多种多样的，但我们仅以K