可能性聚類算法的研究.pdf

1、模糊C均值聚類算法(FCM，Fuzzy C-Means Clustering Algorithm)是非監(jiān)督模式識別中應用最為廣泛的算法之一，該算法是基于最小平方誤差，并規(guī)定了每個樣本對各個隸屬度的和必須為1。然而，隸屬度值并不總是與直觀上的隸屬度或兼容度相一致。而且，FCM對噪聲點或孤立點都敏感。為了克服這些缺點，R.Krishnapuram和J.Keller于1993年通過放松FCM中的概率約束限制，重新建立了一個新的目標函數，而提出

2、了可能性C均值聚類算法(PCM，Possibilistie C-Means Clustering Algorithm)。但是PCM算法容易趨向于一致聚類而且對初始化也敏感。 現在本文將PCM算法和它的修改版分別記作PCM1算法和PCM2算法。為了解決PCM算法存在的問題，本文具體的研究內容可以分為以下三點內容： 1.本文討論已有的一些模糊聚類算法理論，包括硬C均值(HCM)聚類算法，模糊C均值(FCM)聚類算法，可能性C

3、均值(PCM1)聚類算法，第二種可能性C均值聚類算法，記為PC2，算法，并對它們進行了實驗模擬分析和比較。 2.在PCM，算法中，它沒有涉及到任何加權指數，當產生一致性聚類結果時，不能調整任何參數來得到可選擇的聚類。為了克服PCM2的缺點，Zhang和Leung在FCM和PCM2的基礎上提出了改進型可能性C均值聚類(Improved PossibilisticC-Means Clustering Algorithm，IPCM2)

4、。IPCM2解決了FCM對噪聲敏感和PCM2一致性聚類的缺點，但是FCM、PCM2和IPCM2的目標函數中使用的是歐式距離，在現實中，這種情況是不存在的。于是本文提出了一種新的改進型可能性C均值聚類(NIPCM2)，即一種基于非歐式距離的可能性C均值聚類。同時，實驗結果表明NIPCM2能夠克服噪聲敏感問題和獲得更好的聚類中心。 3. 本文提出了一種基于核函數的混合C均值聚類算法(Hybrid C-Means clustering