自适应特征熵权模糊C均值聚类算法的研究

被引：14

作者：

黄海新 ^{[1
,2
]}

孔畅 ^{[1
]}

于海斌 ^{[2
]}

文峰 ^{[1
]}

机构：

[1] 沈阳理工大学信息科学与工程学院

[2] 中国科学院沈阳自动化研究所

来源：

系统工程理论与实践 | 2016年 / 36卷 / 01期

关键词：

模糊C均值聚类; 自适应; 特征权重; 熵;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

特征权重算法对聚类效果有很大的影响,而传统的特征权重算法忽略了特征项在类间和类内的分布情况.因此,研究聚类后样本特征属性表现的有序性程度对聚类结果的影响,分析聚类后样本特征属性的分布情况,提出了一种自适应特征熵权模糊C均值聚类算法.该算法以聚类后的特征熵和信息增益作为准则调整特征权值,通过聚类与权重更新逐步迭代优化,直至获得最优的特征权值.实验表明,自适应特征熵权模糊C均值聚类算法能够有效地区分各个特征属性对聚类效果的重要程度;较于其它加权模糊C均值聚类算法,该算法能够得到更高的聚类准确率.

引用

页码：219 / 223

页数：5

共 8 条

[1] 基于自适应模糊度参数选择改进FCM算法的负荷分类 [J].

周开乐 ;

杨善林 ;

王晓佳 ;

陈志强 .

系统工程理论与实践, 2014, (05) :1283-1289

[2] 广义均衡模糊C均值聚类算法 [J].

文传军 ;

詹永照 ;

柯佳 .

系统工程理论与实践, 2012, 32 (12) :2751-2755

[3] 一种用信息熵确定聚类权重的方法 [J].

桂云苗 ;

朱金福 .

统计与决策, 2005, (16) :29-30

[4]

Enhanced interval type-2 fuzzy c-means algorithm with improved initial center[J] . Cunyong Qiu,Jian Xiao,Lu Han,Muhammad Naveed Iqbal.Pattern Recognition Letters . 2014

[5]

Relative entropy fuzzy c-means clustering[J] . M. Zarinbal,M.H. Fazel Zarandi,I.B. Turksen.Information Sciences . 2014

[6]

Fuzzy clustering algorithms for unsupervised change detection in remote sensing images[J] . Ashish Ghosh,Niladri Shekhar Mishra,Susmita Ghosh.Information Sciences . 2010 (4)

[7] New fuzzy c-means clustering model based on the data weighted approach [J].

Tang, Chenglong ;

Wang, Shigang ;

Xu, Wei .

DATA & KNOWLEDGE ENGINEERING, 2010, 69 (09) :881-900

[8] Improving fuzzy c-means clustering based on feature-weight learning [J].

Wang, XZ ;

Wang, YD ;

Wang, LJ .

PATTERN RECOGNITION LETTERS, 2004, 25 (10) :1123-1132

← 1 →