基于改进蝙蝠算法优化的FCM聚类算法

摘要：

针对传统模糊C-均值(Fuzzy C-Means,FCM)聚类算法隐含假设各个样本和各维属性对聚类结果作用相同,导致算法聚类性能降低,以及对初始中心点敏感且易陷入局部最优的问题,提出一种基于改进蝙蝠算法优化的FCM聚类算法.该算法首先采用混沌映射和速度权重来改进蝙蝠算法,然后利用改进蝙蝠算法确定FCM算法的初始聚类中心,最后根据各个样本和各维属性对聚类结果作用不同,采用样本和属性加权法对FCM算法的目标函数重新设计.实验结果表明,改进算法表现出较好的聚类效果.

关键词：FCM聚类算法、蝙蝠算法、混沌映射、样本加权、特征加权

分类号：TP301.6(计算技术、计算机技术)

在线出版日期：2020-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：29-33,38