基于協(xié)同的模糊聚類算法的研究.pdf

1、在基于目標函數(shù)的模糊聚類算法中，模糊C-均值聚類算法得到了豐富的理論研究和廣泛應用。它通過迭代和爬山技術來尋找問題的最優(yōu)解，是一種局部搜索算法。然而，該算法對初始中心很敏感，易導致一致性聚類。協(xié)同聚類算法利用了不同特征子集之間的協(xié)同關系，可提高原有的聚類性能。本文將協(xié)同聚類算法和以模糊C-均值聚類算法為基礎的改進算法結合，來解決特征屬性完備性和隸屬度取值隨意性的問題。本文的主要工作如下:
　　 模糊C-均值聚類算法及其改進算法都

2、是基于概率約束的聚類方法，所采用隸屬度的取值形式體現(xiàn)了數(shù)據(jù)集的絕對隸屬程度，常出現(xiàn)不理想的聚類結果。本文通過兩個基于相對隸屬程度的判斷準則參數(shù)，表示數(shù)據(jù)對聚類簇隸屬關系亦此亦彼的不確定性，將迭代過程中數(shù)據(jù)集對聚類簇隸屬的可能性與不確定性關系引入目標函數(shù)中。再與協(xié)同聚類方法相結合，提出了一種協(xié)同的可能性模糊聚類算法(C-FCA)。該方法先進行特征選擇，并對子集的差異性和相識性進行度量，利用不同特征子集之間的協(xié)同系數(shù)，說明子集之間的關系程度