基于改进核模糊C均值类间极大化聚类算法

传统的核聚类仅考虑了类内元素的关系而忽略了类间的关系,对边界模糊或边界存在噪声点的数据集进行聚类分析时,会造成边界点的误分问题。为解决上述问题,在核模糊C均值(KFCM)聚类算法的基础上提出了一种基于改进核模糊C均值类间极大化聚类(MKFCM)算法。该算法考虑了类内元素和类间元素的联系,引入了高维特征空间的类间极大惩罚项和调控因子,拉大类中心间的距离,使得边界处的样本得到了较好的划分。在各模拟数据集的实验中,该算法在类中心的偏移距离相对其他算法均有明显降低。在人造高斯数据集的实验中,该算法的精度(ACC)、归一化互信息(NMI)、芮氏指标(RI)指标分别提升至0.913 2,0.757 5,0.913 8。

一种极大中心间隔的核可能性C均值聚类算法

传统核可能性C均值(KPCM)算法仅考虑类内的紧密性而忽略了类间的距离关系,在对边界模糊的数据进行聚类分析时,会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题,在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ,构造了全新的目标函数,称为极大中心间隔的核可能性C均值(MKPCM)聚类算法。该算法通过类间极大惩罚项使类间距离极大化,并利用调控因子λ合理控制类间距,较好地避免了类中心间距离小或重合的现象。通过大量的实验证明,算法对于边界模糊的数据聚类效果优于传统的聚类算法;在图像分割的实际应用中,算法也明显优于传统的聚类算法。

基于改进核可能性C均值类间极大化聚类算法

核可能性C均值(KPCM)聚类算法只考虑类内元素之间的关系,而忽略类与类之间的关系,在对边界模糊的数据集进行聚类时会出现聚类中心距离过小甚至出现聚类中心重合的现象。针对上述问题,提出一种基于改进核可能性C均值类间极大化(KMPCM)聚类算法。该算法在核可能性C均值聚类算法上引入高维特征空间的类间极大惩罚项和调控因子λ,构造新的目标函数。这样既可以合理地拉大类中心间距离,较好地避免聚类中心距离过小甚至重合的现象,使得边界处的样本得到了较好的划分,同时也考虑类内元素的关系,保持对噪声点和野值点较好的鲁棒性。通过大量实验证明,改进算法对于边界模糊的数据集的聚类效果明显优于传统聚类算法。