初始聚类中心优化的加权最大熵核FCM算法①-计算机系统应用.PDFVIP

2014 年 第 23 卷 第 8 期 http: // 计 算 机 系 统 应 用 ① 初始聚类中心优化的加权最大熵核FCM 算法 1 1 1,2 许友权 , 吴 陈 , 杨习贝 1(江苏科技大学 计算机科学与工程学院, 镇江 212003) 2(南京理工大学 计算机科学与技术学院, 南京 210094) 摘 要: 针对传统基于最大熵模糊 C 均值聚类算法(MEFCM)仅适用于球状或椭圆状聚类, 为了解决数据分布混 乱以及高度相关难以划分的情形, 引入 Mercer 核函数, 使原来没有显现的特征突现出来, 从而使聚类效果更好. 然而在实际问题中, 大多数样本集的样本数据都存在着重要性(权重)不同的现象, 主要针对样本集中各个数据的 不同重要程度来设计加权方法, 同时为了克服聚类算法对初始聚类中心选取的敏感性这一弱点, 提出了一个初 始聚类中心优化的加权最大熵核模糊聚类算法(WKMEFCM). 通过实验验证, 该算法与原 MEFCM 算法比较, 其 聚类结果更加稳定、准确, 从而达到更好的聚类划分效果. 关键词: 核函数; FCM 算法; 特征权重; 最大熵; 初始聚类中心 Maximum Entropy Fuzzy C-Means Clustering Based on Sample Weighting and Initial Cluster Centers 1 1 1,2 XU You-Quan , WU Chen , YANG Xi-Bei 1(School of Computer Science Technology, Jiangsu University of Science and Technology, Zhenjiang 212003, China) 2(School of Computer Science Technology, Nanjing University of Science and Technology, Nanjing 210094, China) Abstract: This paper aims to demonstrate the traditional maximum entropy fuzzy C-means clustering algorithm (MEFCM) applies to spherical or oval-shaped clusters only. In order to solve the confusion and highly relevant data distribution division of this difficult situation, it introduces Mercer kernel function, so that the original features which do not show can stand out and make the clustering effect better. However, in practical, the majority of sample sets are exist importance (weighting) of different phenomena. The main focus are the samples of different importance to design of each data weighting and in order to overcome the sensitivity of weakness of the initial cluster centers.