基于聚类中心分离的模糊聚类模型

根据聚类中心分离原则提出了三个新的模糊聚类模型.首先,在模糊C-均值（FCM）聚类目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型（FCMCCS）.该模型可使聚类过程中聚类中心间的距离扩大,从而得到更好的聚类效果;其次,提出FCMCCS的可能性聚类模型（PCMCCS）以克服FCMCCS对噪声敏感的缺点;最后,进一步将PCMCCS扩展成它的可能性模糊聚类模型（PFCMCCS）.基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能.对数据集的测试实验结果表明,PFCMCCS能同时产生模糊隶属度和典型值,具有比FCM更大的聚类中心间距以及比FCMCCS更高的聚类准确率.