基于樣本-特征加權(quán)的模糊核聚類算法研究及應(yīng)用.pdf

1、聚類分析是多元統(tǒng)計(jì)分析的一種,也是非監(jiān)督模式識(shí)別的一個(gè)重要分支。聚類的最終目的是使相似的樣本之間的距離盡可能地小,而不相似的樣本之間的距離盡可能地大。隨著模糊集理論的提出和不斷發(fā)展,模糊聚類分析已成為聚類分析研究的主流。其中理論最完善,應(yīng)用最廣泛的是基于目標(biāo)函數(shù)的模糊C均值(Fuzzy C-Means,FCM)算法。如今FCM算法已被廣泛地應(yīng)用于數(shù)據(jù)挖掘、模式識(shí)別等領(lǐng)域中。
　　文本挖掘是數(shù)據(jù)挖掘研究的一個(gè)重要領(lǐng)域。在進(jìn)行文本處理

2、時(shí),需要把文本數(shù)據(jù)從非結(jié)構(gòu)化的形式,轉(zhuǎn)化為計(jì)算機(jī)可以直接處理的結(jié)構(gòu)化形式。而目前計(jì)算機(jī)還難以理解人類自然語(yǔ)言之間的語(yǔ)義歧義等問(wèn)題,因此,要達(dá)到更好的符合現(xiàn)實(shí)需要的數(shù)據(jù)挖掘效果,還需要結(jié)合其它方面的知識(shí)對(duì)文本挖掘進(jìn)行更深入的探索與研究。而FCM算法用于文本挖掘還存在著許多問(wèn)題。
　　本文首先對(duì)模糊 C-均值算法,可能性聚類算法,可能性模糊 C均值算法進(jìn)行了實(shí)驗(yàn)?zāi)M分析和比較;其次針對(duì)FCM算法的不足做了相關(guān)改進(jìn):(1)針對(duì)傳統(tǒng)模糊C

3、-均值聚類算法對(duì)初始聚類中心較為敏感的問(wèn)題,利用FCM算法運(yùn)行最后所得的聚類中心作為新的算法的初始聚類中心,避免了上述問(wèn)題;(2)由于模糊C-均值算法不考慮不同樣本集對(duì)聚類結(jié)果的影響,而實(shí)際應(yīng)用中不同的樣本對(duì)聚類的貢獻(xiàn)程度不一樣,也就是不同樣本集對(duì)聚類有著不同程度的影響。針對(duì)此問(wèn)題,對(duì)樣本的隸屬度進(jìn)行了優(yōu)化,引入了一個(gè)樣本權(quán)重,考慮了樣本對(duì)聚類的影響,并進(jìn)行了實(shí)驗(yàn)?zāi)M仿真;(3)針對(duì)經(jīng)典的模糊C-均值聚類算法對(duì)噪聲數(shù)據(jù)較為敏感、未考慮樣

4、本特征間的不平衡性等問(wèn)題,提出了一種基于樣本-特征加權(quán)的可能性模糊核聚類算法,將可能性聚類應(yīng)用到模糊聚類中并與模糊C-均值聚類算法相結(jié)合,在聚類過(guò)程中動(dòng)態(tài)計(jì)算樣本權(quán)值和特征權(quán)值,并利用核函數(shù)把低維特征空間中線性不可分的數(shù)據(jù)映射到高維特征空間中的可分?jǐn)?shù)據(jù),以提高聚類的準(zhǔn)確率和抗噪性。同時(shí)將新算法與模糊C-均值算法、可能性聚類算法、可能性模糊C-均值聚類算法在UCI數(shù)據(jù)集、X12數(shù)據(jù)集和人造含噪聲數(shù)據(jù)集上進(jìn)行聚類實(shí)驗(yàn),對(duì)新算法的聚類準(zhǔn)確率和