FCM算法初始化方法研究.pdf

1、FCM算法是應(yīng)用最廣泛的算法之一，但其本質(zhì)屬于局部搜索的爬山法(climbinghillalgorithm)，對聚類中心的初始化較敏感。研究表明，F(xiàn)CM類型的算法強烈依賴于參數(shù)初始化的優(yōu)劣，因為算法本身存在兩個致命的弱點：一是模糊聚類目標函數(shù)是一個非凸函數(shù)，存在大量的局部極值點，初始化不當將導(dǎo)致算法收斂到局部極值點而得不到數(shù)據(jù)集的最優(yōu)模糊劃分；二是大數(shù)據(jù)量時算法耗時嚴重，制約了其實際應(yīng)用。為克服FCM類型算法的弱點而提出的進化算法和神經(jīng)

2、網(wǎng)絡(luò)技術(shù)也只能解決其中一個缺點，況且也同樣存在參數(shù)初始化問題。鑒于此，人們把希望寄托在好的聚類中心初始化上，因為一個靠近最優(yōu)解的初始化方法將以更少的迭代步驟收斂到全局最優(yōu)解。 到目前為止，山峰聚類和減法聚類是兩種比較理想的初始化方法，但是它們各自又有各自的缺點所在。本文在研究并分析了兩種聚類算法的基礎(chǔ)上，提出了一種新的聚類算法，這種聚類算法建立在山峰聚類和減法聚類的基礎(chǔ)上，同時又保持了山峰聚類和減法聚類的優(yōu)點，比起山峰聚類和減法

3、聚類，算法效率得到顯著的提高。 然而單靠初始化方法還不能確保所產(chǎn)生的聚類數(shù)是最佳的，而聚類有效性的檢驗恰好可以彌補這一不足，因此，本文將聚類初始化和聚類有效性檢驗結(jié)合在一起進行了研究，提出了一種基于減法聚類與聚類有效性評判的FCM聚類算法，仿真實驗表明，此方法能進一步提高聚類的精度。 將FCM算法應(yīng)用于時序立體數(shù)據(jù)集的模糊聚類是近幾年來FCM算法的新進展，其中的橫截面模糊聚類算法(Cross-SectionalFuzzy