基于密度的模糊聚類分析算法研究.pdf

1、聚類分析是無監(jiān)督模式識(shí)別的一個(gè)重要分支，作為一個(gè)重要的數(shù)據(jù)挖掘工具已經(jīng)廣泛應(yīng)用于多個(gè)領(lǐng)域。它是把一個(gè)沒有類別標(biāo)記的數(shù)據(jù)集按照某種準(zhǔn)則聚為若干類，使相似的數(shù)據(jù)集盡可能歸于一類，不相似的數(shù)據(jù)集劃分到不同的類中的一個(gè)過程?，F(xiàn)實(shí)生活中存在的大量不確定性和模糊性的問題，所以產(chǎn)生了模糊聚類分析。模糊聚類分析已發(fā)展成聚類分析中一個(gè)十分活躍的研究領(lǐng)域，并在眾多領(lǐng)域得到了成功的應(yīng)用，如分類學(xué)、地質(zhì)學(xué)、金融業(yè)、市場營銷、模式識(shí)別和圖像分割等領(lǐng)域。因此，模糊

2、聚類分析具有十分廣闊的研究與應(yīng)用空間。
　　本文研究的內(nèi)容包括以下兩個(gè)方面：
　　（1）在對(duì)基于目標(biāo)函數(shù)的模糊C均值聚類算法FCM(Fuzzy C-Means)研究的基礎(chǔ)上，針對(duì)模糊C均值聚類算法在初始簇中心選擇方面存在的問題進(jìn)行了改進(jìn)。因?yàn)槟：鼵均值聚類算法對(duì)初始聚類中心有很強(qiáng)的依賴性，所以快速準(zhǔn)確找到初始聚類簇中心就能得到理想的聚類結(jié)果。傳統(tǒng)的模糊C均值聚類算法是隨機(jī)選取選初始聚類中心，得到的聚類結(jié)果有隨機(jī)性。本文提出了

3、用高斯密度函數(shù)計(jì)算初始聚類中心。計(jì)算方法是：以數(shù)據(jù)空間中數(shù)據(jù)點(diǎn)間的最大距離DMax/C為約束條件，選取密度值最大的前C個(gè)點(diǎn)作為初始聚類中心，進(jìn)行FCM算法聚類。實(shí)驗(yàn)表明，與隨機(jī)選取初始聚類中心相比改進(jìn)算法計(jì)算出的初始聚類中心更接近真實(shí)聚類中心。
　?。?）基于密度函數(shù)加權(quán)的模糊C均值聚類算法(DFCM)的設(shè)計(jì)與實(shí)現(xiàn)：根據(jù)數(shù)據(jù)的自然分布特征（有的數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)多，該點(diǎn)的密度大；相反，有的數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)少，該點(diǎn)的密度?。?，通過

4、計(jì)算每個(gè)數(shù)據(jù)對(duì)象的高斯密度函數(shù)值并將其歸一化處理作為權(quán)值，加入傳統(tǒng)的模糊C均值算法中，得到基于密度函數(shù)加權(quán)的模糊C均值算法，這樣能更合理地發(fā)現(xiàn)數(shù)據(jù)集的自然結(jié)構(gòu)，克服了只是根據(jù)數(shù)據(jù)點(diǎn)間距離確定其隸屬度的不足。DFCM算法使用java語言編寫，通過使用仿真二維數(shù)據(jù)集，UCI數(shù)據(jù)集中的IRIS數(shù)據(jù)集和高維數(shù)據(jù)集wine數(shù)據(jù)集，對(duì)改進(jìn)算法(DFCM)行了測試，實(shí)驗(yàn)表明改進(jìn)算法確定出的數(shù)據(jù)點(diǎn)對(duì)簇的隸屬度變化能夠更有效地反映出數(shù)據(jù)點(diǎn)的分布特征，即在