计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2014年
9期
2117-2129
,共13页
竞争聚集%模糊指数%熵指数%熵指数约束%模糊聚类
競爭聚集%模糊指數%熵指數%熵指數約束%模糊聚類
경쟁취집%모호지수%적지수%적지수약속%모호취류
competitive agglomeration%fuzziness index%entropy index%entropy index constraint%fuzzy clustering
针对基于模糊C均值聚类(fuzzy C-means,FCM)算法框架的竞争聚集聚类(competitive agglomeration,CA)算法中模糊指数m被限定为2的问题,提出了一种更为普适的模糊聚类新算法.该算法首先在FCM算法框架的基础上引入熵指数约束条件,构造了基于熵指数约束的模糊C均值聚类(entropy index constraint FCM,EIC-FCM)算法,成功地将模糊指数m>1的约束条件转换为熵指数0<r<1的约束条件,经分析该算法具备与经典FCM算法等效的聚类性能.其后进一步在EIC-FCM 算法的框架下融入竞争学习机制得到基于熵指数约束的竞争聚集聚类(entropy index constraint CA,EICCA)算法,该算法由于使用(0,1)范围的熵指数约束而不再受到模糊指数仅为2的限制,增强了算法的适应性且更具普适性的特征.在模拟数据集以及UCI数据集上的实验结果同样表明,EICCA方法较之经典的CA算法性能更为优越,参数的选择更为灵活.
針對基于模糊C均值聚類(fuzzy C-means,FCM)算法框架的競爭聚集聚類(competitive agglomeration,CA)算法中模糊指數m被限定為2的問題,提齣瞭一種更為普適的模糊聚類新算法.該算法首先在FCM算法框架的基礎上引入熵指數約束條件,構造瞭基于熵指數約束的模糊C均值聚類(entropy index constraint FCM,EIC-FCM)算法,成功地將模糊指數m>1的約束條件轉換為熵指數0<r<1的約束條件,經分析該算法具備與經典FCM算法等效的聚類性能.其後進一步在EIC-FCM 算法的框架下融入競爭學習機製得到基于熵指數約束的競爭聚集聚類(entropy index constraint CA,EICCA)算法,該算法由于使用(0,1)範圍的熵指數約束而不再受到模糊指數僅為2的限製,增彊瞭算法的適應性且更具普適性的特徵.在模擬數據集以及UCI數據集上的實驗結果同樣錶明,EICCA方法較之經典的CA算法性能更為優越,參數的選擇更為靈活.
침대기우모호C균치취류(fuzzy C-means,FCM)산법광가적경쟁취집취류(competitive agglomeration,CA)산법중모호지수m피한정위2적문제,제출료일충경위보괄적모호취류신산법.해산법수선재FCM산법광가적기출상인입적지수약속조건,구조료기우적지수약속적모호C균치취류(entropy index constraint FCM,EIC-FCM)산법,성공지장모호지수m>1적약속조건전환위적지수0<r<1적약속조건,경분석해산법구비여경전FCM산법등효적취류성능.기후진일보재EIC-FCM 산법적광가하융입경쟁학습궤제득도기우적지수약속적경쟁취집취류(entropy index constraint CA,EICCA)산법,해산법유우사용(0,1)범위적적지수약속이불재수도모호지수부위2적한제,증강료산법적괄응성차경구보괄성적특정.재모의수거집이급UCI수거집상적실험결과동양표명,EICCA방법교지경전적CA산법성능경위우월,삼수적선택경위령활.