簇间可分的鲁棒模糊C均值聚类算法

作     者：高云龙 杨程宇 王志豪 罗斯哲 潘金艳 GAO Yunlong;YANG Chengyu;WANG Zhihao;LUO Sizhe;PAN Jinyan

作者机构：厦门大学航空航天学院厦门361102 集美大学信息工程学院厦门361021 

基　　金：国家自然科学基金(61203176) 福建省自然科学基金(2013J05098 2016J01756) 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2019年第41卷第5期

页      码：1114-1121页

摘      要：与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。

主 题 词：聚类 模糊C均值 样本分布 簇间信息 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 

核心收录：

D　O　I：10.11999/JEIT180604

馆 藏 号：203658545...