基于量子粒子群优化的改进的模糊C-均值聚类算法
模糊C均值算法(FCM)是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法(QPSO-FCM-CD)具有良好的性能。
聚类分析、模糊C-均值(FCM)、量子粒子群(QPSO)、簇密度
TP18(自动化基础理论)
2014-06-12(万方平台首次上网日期,不代表论文的发表时间)
共4页
3084-3087