一种改进的加权模糊核聚类算法

聚类算法对初始值的依赖性较大,通常容易陷入局部最优,很难得到稳定的聚类结果。为改善该问题,本文提出了一种改进的加权模糊核聚类算法,将迭代自组织的数据分析算法(ISODATA)的思想引入到加权模糊核聚类算法(WFKCA)中,利用聚类中心分裂/合并的中间结果来调整初始中心,降低了WFKCA算法收敛于局部最优的可能。改进算法采用特征空间中的计算度量,将单值标准差阈值扩展为标准差阈值向量,并增加了对聚类中心的调整幅度。实验结果显示,该算法在不同结构和维数的数据集上都取得了更稳定的聚类精度。