一种协同的FCPM模糊聚类算法

比重隶属度模糊聚类(FCPM)算法可从不同角度解决聚类问题,取得较好效果.协同聚类算法利用不同特征子集之间的协同关系,并与其它聚类算法相结合,可提高原有的聚类性能.文中在FCPM聚类算法的基础上进行改进,将其与协同聚类算法相结合,提出一种协同的FCPM聚类算法.该算法在原有FCPM聚类算法的基础上,提高对数据集的聚类效果.在对数据集Wine和Iris进行测试的结果表明,该方法优于FCPM算法,说明该方法的有效性.

适合大规模数据集的增量式模糊聚类算法

FCPM算法已被成功地应用到模糊系统建模上,但其在某一类的聚类中心已知的大规模数据上的聚类性能较差。为了避免这个缺点,参照单程模糊c均值(SPFCM)聚类算法、在线模糊c均值(OFCM)聚类算法,提出了适合大规模数据集的增量式模糊聚类算法(Incremental fuzzy(c+p)-means clustering,IFCM(c+p))。通过在每个数据块中使用FCPM算法进行聚类,把每个数据块的聚类中心及其附近的一些样本点加入到下一个数据块参与聚类,同时添加平衡因子以提高算法聚类性能。同SPFCM、OFCM以及rse FCM算法相比,IFCM(c+p)对初始聚类中心不敏感。实验表明在没有花费很多运行时间的情况下,IFCM(c+p)算法的聚类性能比SPFCM算法和rse FCM算法更具优势,因此该算法更适合处理某一类聚类中心已知的大规模数据集。

结合模糊(C+P)均值聚类和SP-V-支持向量机的TSK分类器

为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器,本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类;然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数;最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习,该算法不仅改善了系统的泛化性能,还使系统具有模糊规则自适应约简功能,使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明:用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能,而且模糊规则数少,有利于构建更为紧凑的模糊分类系统。

具有抗噪性能适用高维数据的增量式聚类算法

针对含有噪声的高维数据的聚类问题,提出一种使用新的距离度量方式的增量式聚类算法ANFCM(c+p)。由于传统的模糊C均值聚类算法对初始化聚类中心比较敏感,所提出的聚类算法将单程FCM的增量机制(称为SpFCM)与FCPM中使用的初始化聚类中心的策略相结合,即将先前数据块的聚类中心附近的几个样本点添加到下一个数据块进行聚类,以避免FCM对噪声的敏感性。此外,所提出的聚类算法使用一种新的改进后的距离度量的同时,使用修正后的约束条件和目标函数。通过以上改进,可以有效区分已知类和未知类在算法中的不同影响程度,并加强类之间的相互影响程度。实验结果表明,该算法对高维噪声数据具有很好的聚类效果和鲁棒性。