动态阈值粗糙C均值算法

粗糙C均值算法中3个参数wl,wu,ε的选择是算法应用的关键问题。针对粗糙C均值算法中反映类间叠加程度的参数ε的设定,提出一种动态自适应调整阈值ε的粗糙C均值算法,该算法根据"类-类"间距离与"对象-类"间距离,对每一个待聚类对象动态设定阈值ε。两组人工数据和图像数据的实验表明,该算法具有较好的适应性和聚类效果。

基于果蝇算法优化的粗糙C均值聚类算法

粗糙C均值聚类算法采用随机选取质心的方法,会导致聚类算法过早陷入局部最优;簇心更新中采用固定权值降低了聚类精度。针对此类问题,结合果蝇和粗糙C均值聚类两种算法,提出一种改进算法。该算法从三个方面进行了改进:一是为克服传统果蝇算法中固定飞行半径带来的影响,给出一种自适应寻优步长策略的果蝇优化算法,提高果蝇优化算法的搜索精度;二是构造对应味道浓度值的目标函数,利用目标函数值引导果蝇进行位置更新,把最优味道浓度值的果蝇位置作为新的聚类中心进行次迭代;三是设计了一种动态调整簇心更新中上下近似权重和阈值的方案。最后通过UCI标准数据集对算法进行比对分析,实验结果证明了改进后算法的可行性和有效性。

采用不确定性度量的粗糙模糊C均值聚类参数获取方法

针对粗糙模糊C均值聚类的阈值、权重选取问题,提出了一种基于不确定性度量的参数自适应获取方法。该方法将阈值选取归结为一个最优划分寻找问题,给出一种基于方差的划分优劣评价方法;利用信息熵来度量样本归属的模糊性,基于该模糊性度量和类簇的粗糙度,提出了一种权重参数自适应计算方法。将所提方法应用于粗糙模糊C均值聚类,并将分别基于所提方法与典型参数选取方法的粗糙模糊C均值聚类算法在人工数据集和真实数据集上进行实验比较。结果表明,基于所提参数确定方法的粗糙模糊C均值聚类能获得更好的聚类有效性和准确性。

粗糙模糊C均值融合聚类

提出一种新的粗糙模糊C均值融合聚类算法,该算法通过粗糙集上、下近似的引入改变了模糊C均值算法中隶属度函数的分布情况,修正了类心的更新公式和模糊隶属度计算公式,降低了计算复杂度,在改变模糊隶属度分布的同时,通过使得每一类总的隶属度变化保持最小,进一步提出了边界调节参数的自适应选择算法,实验结果表明,粗糙模糊C均值融合算法具有较好的效果。

基于K近邻隶属度的聚类算法研究

经典模糊C均值聚类算法(FCM)基于欧氏距离,存在不同规模类簇不能正确聚类问题,针对此问题提出一种基于K近邻隶属度的模糊C均值聚类算法(KNN_FCM)。讨论了基于K近邻隶属度的粗糙C均值聚类算法(KNN_RCM)和粗糙模糊C均值聚类算法(KNN_RFCM),此方法避免了传统粗糙C均值聚类算法(RCM)和粗糙模糊C均值聚类算法(RFCM)中阈值选择问题。将KNN_FCM、KNN_RCM、KNN_RFCM分别与FCM、RFM、RFCM在UCI数据集上进行仿真比较,结果表明新方法是可行、有效的。