基于一般分布区间数的不确定EFCM-ID聚类算法

在基于模糊C-均值(FCM)的不确定区间数聚类算法中,区间数内的点通常被假设服从均匀分布而难以表达其真实属性,聚类结果受初始聚类中心影响较大且隶属度更新速度较慢。为此,提出一种基于一般分布区间数的不确定高效区间数模糊(EFCM-ID)聚类算法。基于四分位数思想设计适用于一般分布区间数的距离度量——M Q距离,准确刻画不确定数据。结合密度思想和随机抽样策略提出初始聚类中心的优化选取方法 SDCS,提升算法精度。在此基础上,利用竞争学习思想构建相对加速隶属度更新策略,减少算法的运行时间。实验结果表明,与YFCM、XFCM和ExpFCM d-ID算法相比,该算法具有较好的稳定性,并且聚类效率更高。