基于样本模糊隶属度归n化约束的松弛模糊C均值聚类算法

摘要：

模糊C均值聚类算法(FCM)由于样本模糊隶属度归一性的约束,导致FCM算法对噪声数据敏感.提出松弛模糊C均值聚类算法(RFCM),RFCM算法在可能性C均值聚类算法(PCM)目标函数的基础上,放弃了FCM算法单个样本模糊隶属度归一化约束,转为n个样本模糊隶属度之和为n的约束;并利用粒子群算法对样本模糊隶属度进行优化估计,使得模糊指标可拓展为m>0的情况,同时采用梯度法得到RFCM算法聚类中心迭代公式.RFCM理论分析了算法对噪声数据抗噪的原理,解释了RFCM算法模糊指标m>0的合理性,讨论了RFCM算法的收敛性.基于Gauss数据集和UCI数据集的仿真测试验证了所提出算法的有效性.

关键词：模糊聚类、归一化约束、模糊指标、粒子群算法、噪声数据

所属期刊栏目：17

分类号：TP391.45(计算技术、计算机技术)

资助基金：国家自然科学基金61170126;常州工学院校级课题YN1305

在线出版日期：2018-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：96-104