研究论文

基于直觉模糊集的模糊C均值聚类改进算法

展开
  • 上海大学 管理学院, 上海 200444

收稿日期: 2016-06-21

  网络出版日期: 2018-08-31

基金资助

国家自然科学基金资助项目(71272177)

Improved fuzzy C-means clustering algorithm based on intuitionistic fuzzy sets

Expand
  • School of Management, Shanghai University, Shanghai 200444, China

Received date: 2016-06-21

  Online published: 2018-08-31

摘要

针对特征权重未知且具有直觉模糊数的特征信息的聚类分析问题, 提出一种改进的基于直觉模糊集的模糊C均值聚类算法. 首先, 定义区域密度参数, 选择高密度区域中相距最远的样本为初始聚类中心; 然后, 利用直觉模糊熵计算聚类样本的特征权重, 对样本特征值进行加权处理. 给出改进的FCM聚类算法的具体步骤, 并进行了算例验证. 研究结果表明, 该算法不仅克服了FCM算法易陷入局部极小值的问题, 同时大大减少迭代次数, 加快了收敛速度, 提高了聚类性能.

本文引用格式

李婧, 于丽英 . 基于直觉模糊集的模糊C均值聚类改进算法[J]. 上海大学学报(自然科学版), 2018 , 24(4) : 634 -641 . DOI: 10.12066/j.issn.1007-2861.1824

Abstract

An improved fuzzy C-means (FCM) clustering algorithm based on intuitionistic fuzzy sets is proposed for a set of multi-feature clustering analysis problems, in which feature weights are unknown and feature values are intuitionistic fuzzy numbers. A regional density parameter is defined, and c samples with the farthest Euclidean distance from the high-density region are selected as initial clustering centers. The Characteristic values are weighted with Characteristic weights calculated by using intuitionistic fuzzy entropy. Calculation steps for the improved FCM clustering algorithm based on intuitionistic fuzzy sets are given. Validity of the proposed improved algorithm is checked with a numerical example. The improved algorithm can solve the problem of falling into local minima, and greatly reduce iterative time so as to accelerate convergence.

参考文献

[1] Dunn J C . A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J]. Journal of Cybernetics, 1973,3(3):32-57.
[2] Bezdek J C. Pattern recognition with fuzzy objective function algorithms [M]. New York: Plenum Press, 1981.
[3] 张东波, 王耀南 . FCM聚类算法和粗糙集在医疗图像分割中的应用[J]. 仪器仪表学报, 2006,27(12):1683-1687.
[4] 崔嵩, 李一凡, 马万里 , 等. 哈尔滨大气中多环芳烃污染的 FCM 聚类算法[J]. 哈尔滨工业大学学报, 2011,43(8):65-69.
[5] 王士龙, 徐玉如, 万磊 , 等. 基于边界矩和改进FCM聚类的水下目标识别[J]. 系统工程理论与实践, 2012,32(12):2809-2815.
[6] 孟安波, 卢海明, 李海亮 , 等. 纵横交叉算法优化 FCM 在电力客户分类中的应用[J]. 电力系统保护与控制, 2015,43(20):150-154.
[7] 于春海, 樊治平 . 一种基于区间数多指标信息的 FCM 聚类算法[J]. 运筹与管理, 2004,13(4):12-16.
[8] 张洪美, 徐泽水, 陈琦 . 直觉模糊集的聚类方法研究[J]. 控制与决策, 2007,22(8):882-888.
[9] 吴成茂 . 模糊C-均值算法在直觉模糊数聚类中的应用[J]. 计算机工程与应用, 2009,45(16):141-145.
[10] 申晓勇, 雷英杰, 蔡茹 , 等. 一种基于密度函数的直觉模糊聚类初始化方法[J]. 计算机科学, 2009,36(5):197-199.
[11] 昌燕, 张仕斌 . 基于加权直觉模糊集合的聚类模型[J]. 计算机应用, 2012,32(4):1070-1073.
[12] 王昭, 范九伦, 娄昊 , 等. 一种融入局部信息的直觉模糊 C-均值聚类图像分割算法[J]. 计算机应用研究, 2014,31(9):2864-2866.
[13] 耿秀丽, 尤星星, 吕文元 . 基于直觉模糊 C-均值的客户聚类和识别方法[J]. 上海理工大学学报, 2015,37(1):13-17.
[14] Atanassov K T . On intuitionistic fuzzy sets theory[M]. Berlin: Springer, 2012.
[15] 李登峰 . 直觉模糊集决策与对策分析方法 [M]. 北京: 国防工业出版社, 2012: 13-14.
[16] Atanassov K T . Intuitionistic fuzzy sets[J]. Fuzzy Sets and Systems, 1986,20(1):87-96.
[17] Burillo P, Bustince H . Entropy on intuitionistic fuzzy sets and on interval-valued fuzzy sets[J]. Fuzzy Sets and Systems, 1996,78(3):305-316.
[18] Szmidt E, Kacprzyk J . Entropy for intuitionistic fuzzy sets[J]. Fuzzy Sets and Systems, 2001,118(3):467-477.
[19] 秦华妮, 骆达荣 . 直觉模糊熵与加权决策算法[J]. 数学的实践与认识, 2012,42(4):255-260.
[20] 高新波 . 模糊聚类分析及其应用 [M]. 西安: 西安电子科技大学出版社, 2004: 118-126.
[21] 袁方, 周志勇, 宋鑫 . 初始聚类中心优化的 k-means 算法[J]. 计算机工程, 2007,33(3):65-66.
[22] 赖玉霞, 刘建平 . K-means 算法的初始聚类中心的优化[J]. 计算机工程与应用, 2008,44(10):147-149.
[23] 申晓勇, 雷英杰, 李进 , 等. 基于目标函数的直觉模糊集合数据的聚类方法[J]. 系统工程与电子技术, 2009,31(11):2732-2735.
文章导航

/