樣本和特征加權的模糊聚類算法研究.pdf

1、聚類是一種無監(jiān)督學習方法，通過聚類技術可以從數(shù)據(jù)中獲取大量知識，為此，研究人員提出了許多不同的聚類算法，其中基于目標函數(shù)的聚類是人們研究的熱點，并被廣泛地應用于很多領域，例如模式識別，圖像分割，市場研究，數(shù)據(jù)挖掘等。然而，對于提出的一些基于目標函數(shù)的聚類算法，它們將不同樣本和特征視為同等重要，從而導致聚類性能降低。為了進一步提高聚類算法的性能，研究不同樣本和特征對聚類的不同貢獻的模糊聚類算法具有重要的意義。
　　本研究主要內容包括

2、：⑴通過深入研究樣本加權的模糊聚類以及特征加權的模糊聚類，在FCM聚類的目標函數(shù)及隸屬度歸一化的基礎上，同時考慮樣本和特征的重要性對聚類的影響，獲得了樣本和特征加權的模糊聚類模型；使用拉格朗日求解方法，從理論上導出了模糊隸屬度、簇中心、樣本權值和特征權值，并給出了動態(tài)調整樣本和特征權值的模糊聚類算法，同時，也研究了靜態(tài)調整樣本和特征權值的模糊聚類算法。另外，研究了放松隸屬度歸一化約束的樣本和特征加權的模糊聚類算法，以此解決噪聲數(shù)據(jù)對聚類

3、的影響。⑵為了解決復雜數(shù)據(jù)的聚類，結合核方法，并考慮隸屬度歸一化及放松隸屬度歸一化兩種情況，獲得了樣本和特征加權的核模糊聚類模型，從理論上導出模糊隸屬度、簇中心、樣本權值和特征權值，并給出了相應的模糊聚類算法，包括動態(tài)調整樣本和特征權值的核模糊聚類算法以及靜態(tài)調整樣本和特征權值的核模糊聚類算法。⑶為了解決復雜目標函數(shù)的聚類問題，針對模糊C均值聚類，使用Hopfield神經(jīng)網(wǎng)絡和復突觸神經(jīng)網(wǎng)絡解決模糊C均值聚類的優(yōu)化問題，其中Hopfie