A-FCM算法的模型設(shè)計(jì)與研究.pdf

1、FCM(Fuzzy C-Means，F(xiàn)CM)算法是一種基于目標(biāo)函數(shù)優(yōu)化的模糊聚類方法，其收斂結(jié)果依賴于聚類原型參數(shù)的先驗(yàn)知識(shí)（即聚類中心和聚類數(shù)）。目前FCM算法已經(jīng)被廣泛地應(yīng)用于模式識(shí)別、數(shù)據(jù)挖掘、模糊控制、圖像處理、圖像分割、矢量量化、模糊邏輯等眾多領(lǐng)域。但由于大部分的FCM算法及其改進(jìn)算法的初始聚類中心和聚類數(shù)幾乎都是隨機(jī)給定的，需要經(jīng)過(guò)多次試驗(yàn)才能得到較好的聚類結(jié)果。因此，給出合理的聚類中心和聚類數(shù)目十分重要。隨著計(jì)算機(jī)科學(xué)技術(shù)

2、的應(yīng)用和發(fā)展，基于目標(biāo)函數(shù)的模糊聚類算法（即FCM算法）成為新的研究熱點(diǎn)。
　　 經(jīng)過(guò)國(guó)內(nèi)外眾多學(xué)者多年的努力，F(xiàn)CM算法已經(jīng)獲得了很大的改進(jìn)。但是，到目前為止該算法存在的一些問題和不足依然沒有得到的較好的解決，使得該算法的優(yōu)勢(shì)不能充分的得到發(fā)揮。針對(duì)傳統(tǒng)的FCM算法存在的不足提出一些具體的改進(jìn)辦法，不僅能夠提高算法的執(zhí)行效率，而且對(duì)實(shí)驗(yàn)的過(guò)程和結(jié)果也能夠產(chǎn)生很多積極的影響。
　　 本文針對(duì)FCM算法的不足并圍繞如何提高

3、算法的執(zhí)行效率這一問題，對(duì)傳統(tǒng)的FCM算法進(jìn)行了改進(jìn)，并提出了一種新的聚類算法(Advanced Fuzzy Clustering Means，A-FCM)，本文的主要研究工作及創(chuàng)新之處主要體現(xiàn)在以下兩個(gè)方面：
　　 (1)本文對(duì)傳統(tǒng)的FCM算法中的權(quán)指數(shù)選取進(jìn)行了改進(jìn)，即根據(jù)實(shí)際問題計(jì)算權(quán)值的大小。由于權(quán)指數(shù)m的選擇對(duì)FCM算法聚類分析影響很大，通過(guò)這種方法我們不僅能夠得到更為合理的權(quán)指數(shù)m值，而且能夠減少因?yàn)槿藶檫x取權(quán)值帶來(lái)

4、的失誤。實(shí)驗(yàn)證明，使用通過(guò)計(jì)算得到的m值得到的實(shí)驗(yàn)結(jié)果也更為理想。
　　 (2)本文提出了對(duì)FCM算法中的隸屬度進(jìn)行了修正，通過(guò)對(duì)隸屬度的不斷修正可以提高聚類的收斂速度和影響聚類的分類效果，減少算法執(zhí)行的時(shí)間花費(fèi)，可以從整體上提高算法的性能。
　　 另外，F(xiàn)CM算法具有自身的優(yōu)點(diǎn)，尤其是對(duì)海量信息進(jìn)行加工處理時(shí)，它的優(yōu)勢(shì)就表現(xiàn)的更加明顯了。同時(shí)，在一些的著名的科學(xué)計(jì)算軟件（如Matlab等）中也包含了FCM算法，這些都給