基于一般分布区间数的不确定EFCM-ID聚类算法

来源：计算机工程杂志2018年第10期北京时间：

作者：毛伊敏,王嘉炜,卢欣荣

单位：1.江西理工大学 a.信息工程学院; b.应用科学学院,江西 赣州 341000;2.中陕核工业集团二一一大队有限公司,西安 710024

摘要：在基于模糊C-均值(FCM)的不确定区间数聚类算法中,区间数内的点通常被假设服从均匀分布而难以表达其真实属性,聚类结果受初始聚类中心影响较大且隶属度更新速度较慢。为此,提出一种基于一般分布区间数的不确定高效区间数模糊(EFCM-ID)聚类算法。基于四分位数思想设计适用于一般分布区间数的距离度量——MQ距离,准确刻画不确定数据。结合密度思想和随机抽样策略提出初始聚类中心的优化选取方法SDCS,提升算法精度。在此基础上,利用竞争学习思想构建相对加速隶属度更新策略,减少算法的运行时间。实验结果表明,与YFCM、XFCM和ExpFCMd-ID算法相比,该算法具有较好的稳定性,并且聚类效率更高。

关键词：不确定聚类,区间数,模糊C-均值,密度思想,竞争学习思想

基金资助：国家自然科学基金(41562019);国家自然科学基金重点项目(41530640);江西省自然科学基金(20161BAB203093);江西省教育厅科技项目(GJJ151531)。