基于樣本-特征加權(quán)的模糊核聚類算法研究及應(yīng)用.pdf

1、聚類分析是多元統(tǒng)計分析的一種,也是非監(jiān)督模式識別的一個重要分支。聚類的最終目的是使相似的樣本之間的距離盡可能地小,而不相似的樣本之間的距離盡可能地大。隨著模糊集理論的提出和不斷發(fā)展,模糊聚類分析已成為聚類分析研究的主流。其中理論最完善,應(yīng)用最廣泛的是基于目標函數(shù)的模糊C均值(Fuzzy C-Means,FCM)算法。如今FCM算法已被廣泛地應(yīng)用于數(shù)據(jù)挖掘、模式識別等領(lǐng)域中。
　　文本挖掘是數(shù)據(jù)挖掘研究的一個重要領(lǐng)域。在進行文本處理

2、時,需要把文本數(shù)據(jù)從非結(jié)構(gòu)化的形式,轉(zhuǎn)化為計算機可以直接處理的結(jié)構(gòu)化形式。而目前計算機還難以理解人類自然語言之間的語義歧義等問題,因此,要達到更好的符合現(xiàn)實需要的數(shù)據(jù)挖掘效果,還需要結(jié)合其它方面的知識對文本挖掘進行更深入的探索與研究。而FCM算法用于文本挖掘還存在著許多問題。
　　本文首先對模糊 C-均值算法,可能性聚類算法,可能性模糊 C均值算法進行了實驗?zāi)M分析和比較;其次針對FCM算法的不足做了相關(guān)改進:(1)針對傳統(tǒng)模糊C

3、-均值聚類算法對初始聚類中心較為敏感的問題,利用FCM算法運行最后所得的聚類中心作為新的算法的初始聚類中心,避免了上述問題;(2)由于模糊C-均值算法不考慮不同樣本集對聚類結(jié)果的影響,而實際應(yīng)用中不同的樣本對聚類的貢獻程度不一樣,也就是不同樣本集對聚類有著不同程度的影響。針對此問題,對樣本的隸屬度進行了優(yōu)化,引入了一個樣本權(quán)重,考慮了樣本對聚類的影響,并進行了實驗?zāi)M仿真;(3)針對經(jīng)典的模糊C-均值聚類算法對噪聲數(shù)據(jù)較為敏感、未考慮樣

4、本特征間的不平衡性等問題,提出了一種基于樣本-特征加權(quán)的可能性模糊核聚類算法,將可能性聚類應(yīng)用到模糊聚類中并與模糊C-均值聚類算法相結(jié)合,在聚類過程中動態(tài)計算樣本權(quán)值和特征權(quán)值,并利用核函數(shù)把低維特征空間中線性不可分的數(shù)據(jù)映射到高維特征空間中的可分數(shù)據(jù),以提高聚類的準確率和抗噪性。同時將新算法與模糊C-均值算法、可能性聚類算法、可能性模糊C-均值聚類算法在UCI數(shù)據(jù)集、X12數(shù)據(jù)集和人造含噪聲數(shù)據(jù)集上進行聚類實驗,對新算法的聚類準確率和