基于人工魚群的模糊聚類算法研究及其在葡萄酒分類中的應(yīng)用.pdf

1、相對于傳統(tǒng)的硬聚類算法,模糊聚類算法由于更能準(zhǔn)確描述模式間的不確定關(guān)系,具有更好的數(shù)據(jù)表達(dá)能力,已經(jīng)成為近年來的研究主流。目前研究最多,實(shí)際中應(yīng)用最廣的是基于目標(biāo)函數(shù)的模糊聚類方法,其代表性算法為模糊C均值算法(FCM)和核模糊C均值算法(KFCM)。本文首先對FCM算法和KFCM算法進(jìn)行深入的研究,然后針對其存在的不完善之處進(jìn)行改進(jìn),最后討論了改進(jìn)后的算法在葡萄酒品質(zhì)分類中的應(yīng)用。
　　模糊C均值聚類算法(FCM)對初始值特別敏

2、感,易陷入局部極小值,得到一個(gè)局部最優(yōu)解,而得不到全局最優(yōu)解。人工魚群算法是一種基于動物行為的自治體尋優(yōu)模式,具有很強(qiáng)的全局尋優(yōu)能力,不易陷入局部區(qū)域,且收斂速度也很快,因此本文將人工魚群(AFSA)算法引入到模糊C均值聚類算法中(AFSA-FCM)。仿真實(shí)驗(yàn)表明,改進(jìn)后的算法有效的克服了FCM聚類算法對初始值敏感,易陷入局部極小值的缺點(diǎn)。
　　核模糊C均值聚類算法(KFCM)在模糊C均值算法的基礎(chǔ)上,通過引入核函數(shù),樣本點(diǎn)被非線

3、性變換映射到高維特征空間進(jìn)行聚類,在一定程度上克服了對數(shù)據(jù)內(nèi)在形狀分布的依賴,提高了聚類性能,但還是存在對初始值敏感、容易陷入局部極小值的缺點(diǎn)。基于種群操作的人工魚群算法具有很強(qiáng)全局搜索能力,不易陷入局部區(qū)域,因此將人工魚群算法與核模糊C均值算法相結(jié)合,提出了基于人工魚群優(yōu)化的核模糊C均值算法(AFSA-KFCM),用AFSA算法代替KFCM的迭代過程。仿真實(shí)驗(yàn)表明該算法有效的克服了KFCM算法對初始值敏感,容易陷入局部最優(yōu)的缺陷,較K