基于可靠性的鲁棒模糊聚类
潘金艳1
高朋2
高云龙3
谢有为1
熊裕慧3
1.集美大学信息工程学院,福建厦门3610212.集美大学航海学院,福建厦门3610213.厦门大学航空航天学院,福建厦门361101
摘要：相比于k-means算法,模糊C均值(FCM)通过引入模糊隶属度,考虑不同数据簇之间的相互作用,进而避免了聚类中心趋同性问题.然而模糊隶属度具有拖尾和翘尾的结构特征,因此使得FCM算法对噪声点和孤立点很敏感;此外,由于FCM算法倾向于将各数据簇均等分,因此算法对数据簇大小也很敏感,对非平衡数据簇聚类效果不佳.针对这些问题,本文提出了基于可靠性的鲁棒模糊聚类算法(RRFCM).该算法基于当前的聚类结果,对样本点进行可靠性分析,利用样本点的可靠性和局部近邻信息,突出不同数据簇之间的可分性,从而提高了算法对噪声的鲁棒性,并且降低了对非平衡数据簇大小的敏感性,得到了泛化性能更好的聚类结果.与相关算法进行对比,RRFCM算法在人造数据集,UCI真实数据集以及图像分割实验中均取得最优的结果.
关键词：模糊C均值(FCM)类不均衡集成学习k近邻约束局部信息
资助基金：国家自然科学基金(61203176)福建省自然科学基金(2013J05098)福建省自然科学基金(2016J01756)
论文发表日期：2021-04-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：13( 516-528 )
英文信息