模糊聚類集成算法及融合差異度分析研究.pdf

1、數(shù)據(jù)挖掘(Data Mining)就是從海量的數(shù)據(jù)中，提取隱含在其中的人們事先不知道的、但又是潛在有用的信息和知識的過程。而作為數(shù)據(jù)挖掘技術(shù)之一的聚類分析，無論是在數(shù)據(jù)分析、模式識別，還是在市場分析和圖像處理方面都有著廣泛的應(yīng)用，所以越來越受到研究者的關(guān)注。
　　聚類分析就是在沒有任何可供學(xué)習(xí)的樣本情況下，將對象集進(jìn)行自動分組，使類間相似性盡量小，類內(nèi)相似性盡量大的一種分析方法。傳統(tǒng)的聚類分析是一種硬劃分，它把每個待聚類的樣本嚴(yán)格

2、地劃分到某個類中，具有非此及彼的性質(zhì)，也就是說樣本只能屬于所有類別中的某一類別。而實際上大多數(shù)樣本在類屬和形態(tài)方面存在著模糊性，即屬性并沒有嚴(yán)格地限制，適合進(jìn)行軟劃分。
　　模糊理論的提出為這種軟劃分提供了有力的分析工具，人們開始用模糊的方法來處理聚類問題，并稱之為模糊聚類分析，它是聚類分析與模糊理論相結(jié)合的產(chǎn)物。模糊聚類能得到樣本屬于各個類別的不確定性程度，表達(dá)了樣本類屬的模糊性，從而能更客觀地反映現(xiàn)實世界。
　　作為當(dāng)前

3、聚類分析的新興研究熱點，聚類集成是將不同算法或者同一算法使用不同參數(shù)得到的結(jié)果進(jìn)行合并，從而改善聚類性能。當(dāng)前大多數(shù)聚類集成方法都將硬聚類算法作為基本的聚類算法，而將模糊聚類用在集成方面的研究甚少。針對這種情況，本文緊緊圍繞模糊聚類這一課題，旨在分析研究如何改進(jìn)經(jīng)典的模糊聚類算法以及應(yīng)用模糊聚類的特性來提高分類器集成的性能，此外還考慮多個聚類成員的差異性，利用模糊聚類集成來獲得比硬聚類更為豐富的信息，來改善聚類質(zhì)量。本文的創(chuàng)新性研究成果

4、主要有:
　　1、提出了一種改進(jìn)的模糊C-均值聚類算法(SWFCM)。該算法是針對模糊C-均值(FCM)聚類算法對噪聲和孤立點數(shù)據(jù)敏感、樣本分布不均衡的問題所提出的。改進(jìn)隸屬度函數(shù)，以消除孤立點對聚類結(jié)果的影響；為每個樣本點賦予一個定量的權(quán)值，以區(qū)分不同的樣本點對于知識發(fā)現(xiàn)的不同作用，改善噪音和分布不均衡的樣本集的聚類結(jié)果。實驗結(jié)果表明該算法具有更好的健壯性和聚類效果。
　　2、提出了一種基于模糊聚類思想的兩級集成分類器算法

5、(EWFuzzyBagging)。該算法首先將數(shù)據(jù)集用Fuzzy C-Means算法進(jìn)行聚類，得到每個實例對應(yīng)于每個類別的模糊隸屬度。一級集成根據(jù)Bagging算法獲得成員分類器，分類器個數(shù)為數(shù)據(jù)集類別數(shù)且每個成員分類器對應(yīng)一個類別標(biāo)號，這些成員分類器的采樣方式為通過其對應(yīng)類別的模糊隸屬度為每個實例加權(quán)后進(jìn)行隨機(jī)重采樣。二級集成是將一級集成產(chǎn)生的針對類別的成員分類器通過動態(tài)加權(quán)多數(shù)投票法來組合，學(xué)習(xí)到最終的分類結(jié)果。實驗結(jié)果表明該算法與

6、Bagging和AdaBoost相比具有更好的健壯性。
　　3、提出了一種基于互信息的模糊聚類集成算法(Mi-WFCE)。該算法首先利用模糊C-均值聚類算法(Fuzzy C-Means)通過每次隨機(jī)選取初始聚類中心的方式來獲得相互具有差異性的聚類成員，并將這些聚類成員通過基于投票機(jī)制的集成算法進(jìn)行粗融合，獲得一個粗融合聚類結(jié)果；然后將聚類成員與粗融合結(jié)果進(jìn)行比對，通過互信息值來確定聚類成員的穩(wěn)定性，根據(jù)其穩(wěn)定性來設(shè)置聚類成員的權(quán)值