基于样本密度的FCM改进算法

从聚类中心的直观属性出发,选取样本中密度较大的点作为FCM算法的初始聚类中心。解决了FCM算法对初始值敏感、收敛结果容易陷入局部极小等问题。实验结果证明这一算法的合理性和有效性。

使用DBSCAN的FCM神经网络分类器

针对浮动质心法(FCM)在实现过程采用的K-means算法不易发现任意形状簇及对离群点敏感等缺陷,提出使用具有噪声的基于密度的聚类算法(DBSCAN)改进FCM神经网络分类器的方法.DBSCAN将离群点看作无法处理的点,并能发现任意形状的簇,将分区空间中的染色点划分成若干个更准确的分区.此外,定义优化目标函数,并用粒子群优化算法优化神经网络的各个参数,获得最优的分类模型.在UCI数据库上的对比实验表明,改进后的FCM方法在分类精度、鲁棒性和运行时间方面均优于原有FCM.