松弛模糊c均值聚类算法制造技术

本发明专利技术公开了一种松弛模糊c均值聚类算法，包括如下步骤：1.对样本集合依RFCM目标函数最小化原则进行最优化划分；2.初始化多个粒子的位置和速度值；3.将粒子位置值与样本模糊隶属度对应实现模糊隶属度初始化；4.按粒子群算法迭代公式得到更新的模糊隶属度；5.按梯度法迭代公式计算得到聚类中心；6.计算得到RFCM目标函数。本发明专利技术放弃了模糊c均值聚类算法模糊隶属度归一化约束，增强了聚类算法对噪声数据的包容和区分性能，同时将模糊指标m扩展为大于0的范围，提升了聚类算法的通用性。

Relaxation fuzzy C means clustering algorithm

The invention discloses a relaxation of fuzzy C means clustering algorithm, which comprises the following steps: 1. of the sample set is optimized according to the classification of RFCM objective function minimization principle; 2. initialize multiple particle position and velocity value; 3. particle position values and the corresponding fuzzy membership of fuzzy membership by particle swarm initialization; 4. the iterative algorithm of fuzzy membership update formula is obtained by the gradient method; 5. iterative formula to calculate the clustering center; 6. RFCM objective function. The present invention gave up the fuzzy C mean clustering algorithm of fuzzy membership normalization constraint, enhanced tolerance to noise data clustering algorithm and the fuzzy classification performance, index of M is extended to more than 0, to enhance the versatility of the clustering algorithm.

【技术实现步骤摘要】
松弛模糊c均值聚类算法
本专利技术属于数据挖掘领域进行无监督数据分类的算法，具体的说是一种通过对样本模糊隶属度约束条件进行放宽以适应噪声数据集的松弛模糊c均值聚类算法。
技术介绍
模糊C均值算法(fuzzyC-meansclustering,FCM)是模糊聚类算法中最重要的聚类算法，在模式分类、机器学习和数据挖掘等领域中有着广泛的应用。FCM算法相对于其它聚类算法有着许多的优势，如模型数学表达易于理解符合实际、优化求解方法多样收敛理论严谨、算法易于借助计算机编程实现、模糊聚类效果表现优良等。但FCM算法也存在一些不足之处，如类别k值无法有效确定、模糊指标m缺乏求解的方法和理论、梯度法求解模型容易陷入局部优解、聚类算法因归一化约束对噪声数据敏感等。由于FCM算法要求每个样本对各类的模糊隶属度之和为1，即要求样本模糊隶属度满足归一化约束，使得噪声数据基于FCM算法也会获得很高的模糊隶属度，因此FCM算法对噪声数据是敏感的，放松FCM算法归一化约束是避免算法对噪声数据敏感的一个基本思路。在克服FCM算法对噪声数据敏感的改进方面，研究者最初提出了两种改进途径，一是Krishnapuram提出本文档来自技高网...

【技术保护点】
松弛模糊c均值聚类算法，包括如下步骤：步骤1：对样本集合依RFCM目标函数最小化原则进行最优化划分；步骤2：初始化多个粒子的位置和速度值；步骤3：将粒子位置值与样本模糊隶属度对应实现模糊隶属度初始化；步骤4：按粒子群算法迭代公式得到更新的模糊隶属度；步骤5：按梯度法迭代公式计算得到聚类中心；步骤6：计算得到RFCM目标函数。

【技术特征摘要】
1.松弛模糊c均值聚类算法，包括如下步骤：步骤1：对样本集合依RFCM目标函数最小化原则进行最优化划分；步骤2：初始化多个粒子的位置和速度值；步骤3：将粒子位置值与样本模糊隶属度对应实现模糊隶属度初始化；步骤4：按粒子群算法迭代公式得到更新的模糊隶属度；步骤5：按梯度法迭代公式计算得到聚类中心；步骤6：计算得到RFCM目标函数。2.根据权利要求1所述的松弛模糊c均值聚类算法，其特征在于：所述步骤1具体包括：令X＝{x1,x2,L,xj,L,xn}表示给定的样本集合，xj表示第j个样本；1≤j≤n，n是样本的个数；对样本集合X进行最优化划分，使得目标函数值JRFCM最小。3.根据权利要求1所述的松弛模糊c均值聚类算法，其特征在于：所述步骤2具体包括：用0，1之间的随机数初始化多个c×n维粒子的位置Xh(0)和速度Vh(0)。4.根据权利要求1所述的松弛模糊c均值聚类算法，其特征在于：所述步骤3具体包括：将粒子位置Xh(0)以每c维分量为一组，对应为第j个样本xj隶属于第i类的模糊隶属度5.根据权利要求1所述的松弛模糊c均值聚类算法，其特征在于：所述步骤4具体包括：定义迭代次数为λ，最大迭代次数为λmax；初始化λ＝1，则第λ次迭代的隶属矩阵为U(λ)，第λ次迭代的聚类中心为θi(λ)，聚类中心矩阵为P(λ)＝{θi(λ),i＝1,...,c}。6.根据权利要求1所述的松弛模糊c均值聚类算法，其特征在于：所述步骤5具体包括：步骤5-1：用式(3)计算聚类中心θi(λ)，再由式(1)计算聚类目标函数值JRFCM(λ)，并由式(4)转换为PSO算法优解适应度函数值f(U(λ))。式(2)中M为惩罚因子，取为一较大正数，即对偏离n时给予适应度函数较大惩罚。表示第λ...

【专利技术属性】
技术研发人员：文传军，陈荣军，刘福燕，
申请(专利权)人：常州工学院，
类型：发明
国别省市：江苏,32