模糊c-均值算法的研究.pdf

1、隨著數(shù)據(jù)庫技術的不斷發(fā)展及數(shù)據(jù)庫管理系統(tǒng)的廣泛應用使得各組織機構積累了海量數(shù)據(jù),為了從中提取有用信息,更好地利用這些數(shù)據(jù)資源,人們提出了數(shù)據(jù)挖掘技術。數(shù)據(jù)挖掘技術將傳統(tǒng)的數(shù)據(jù)分析方法與處理大量數(shù)據(jù)的復雜算法相結合,是目前信息領域和數(shù)據(jù)庫技術的前沿研究課題。
　　 聚類分析技術是數(shù)據(jù)挖掘的主要方法,它將數(shù)據(jù)劃分成有意義或有用的組(簇),在眾多的聚類分析算法中,模糊聚類算法是當前研究的熱點。本文對其中最經(jīng)典的模糊c-均值(FCM)算

2、法進行了深入研究,并對它加以改進和優(yōu)化,實驗驗證了方法的可行性和有效性。
　　 本文系統(tǒng)分析了FCM算法和馬氏距離的基本原理,從而利用馬氏距離的優(yōu)點來彌補FCM算法中存在的缺陷,其次利用優(yōu)化的KPCA進行特征提取,本文從三個方面對FCM算法進行了改進。
　　 首先,經(jīng)典的模糊c-均值(FCM)算法是基于歐氏距離的,它只適用于球型結構的聚類,且在處理屬性高相關的數(shù)據(jù)集時,分錯率增加。針對這個問題,提出了一種新的聚類算法(F

3、CM-M),它將馬氏距離替代模糊c-均值中的歐氏距離,并在目標函數(shù)中引進一個協(xié)方差矩陣的調(diào)節(jié)因子,利用馬氏距離的優(yōu)點,有效地解決了FCM算法中的缺陷,并利用特征值,特征矢量及偽逆運算來解決馬氏距離中遇到的奇異問題。
　　 其次,經(jīng)典的模糊c-均值算法認為樣本矢量各特征對聚類結果貢獻均勻,沒有考慮不同的屬性特征對模式分類的不同影響,且在處理屬性高相關的數(shù)捌集時,該算法分錯率增加。針對這些問題,提出了一種基于馬氏距離特征加權的模糊聚

4、類算法,利用自適應馬氏距離的優(yōu)點對特征加權處理,從而對高屬性相關的數(shù)據(jù)集進行更有效的分類。
　　 最后,利用核函數(shù)主元分析(KPCA)方法對大樣本,高維數(shù)據(jù)進行特征提取預處理,并結合文化算法(CA)選擇最優(yōu)或接近最優(yōu)的核函數(shù),將其用于模糊c-均值(FCM)聚類中,不但有效地提取了樣本的非線性信息,而且使樣本維數(shù)得到約簡。
　　 利用MATLAB語言實現(xiàn)上述方法,并進行了UCI數(shù)據(jù)集聚類和圖像分割兩組實驗,從實驗結果看,均