面向稀疏高维大数据的扩展增量模糊聚类算法

摘要：

模糊C均值(FCM)聚类算法对初始中心点敏感,不考虑类别间中心点的相互影响,且仅能处理低维数据.为此,设计一种改进的初始中心点选择方法,并基于条件模糊聚类思想,将传统FCM算法中的欧氏距离替换为余弦距离后提出wHFCLM算法.将该算法与扩展增量聚类算法spFCM、oFCM和rseFCM相结合,得到对应的扩展增量模糊聚类算法spHF(c+1)M、oHF(c+ 1)M以及rseHF(c+1)M.实验结果表明,与spFCM算法、oFCM算法和rseFCM算法相比,扩展增量模糊聚类算法对初始中心点的选择敏感性较低,能较好地处理大规模稀疏高维数据集,且在合适的分块大小下具有更优的聚类性能.

关键词：扩展聚类算法、条件聚类、稀疏高维大数据、模糊聚类、初始中心点

所属期刊栏目：45

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金61673193;中央高校基本科研业务费专项资金JUSRP51510,JUSRP51635B

在线出版日期：2019-07-12（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：75-81,88