基于一般分布区间数的不确定EFCM-ID聚类算法

摘要：

在基于模糊C-均值(FCM)的不确定区间数聚类算法中,区间数内的点通常被假设服从均匀分布而难以表达其真实属性,聚类结果受初始聚类中心影响较大且隶属度更新速度较慢.为此,提出一种基于一般分布区间数的不确定高效区间数模糊(EFCM-ID)聚类算法.基于四分位数思想设计适用于一般分布区间数的距离度量——MQ距离,准确刻画不确定数据.结合密度思想和随机抽样策略提出初始聚类中心的优化选取方法SDCS,提升算法精度.在此基础上,利用竞争学习思想构建相对加速隶属度更新策略,减少算法的运行时间.实验结果表明,与YFCM、XFCM和ExpFCMd-ID算法相比,该算法具有较好的稳定性,并且聚类效率更高.

关键词：不确定聚类、区间数、模糊C-均值、密度思想、竞争学习思想

所属期刊栏目：44

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金41562019;国家自然科学基金重点项目41530640;江西省自然科学基金20161BAB203093;江西省教育厅科技项目GJJ151531

在线出版日期：2018-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：175-181,189