基于最小距离最大化准则优化初始中心的模糊聚类方法技术

本发明专利技术涉及一种基于最小距离最大化准则优化初始中心的模糊聚类方法，包括以下步骤：a.求解样本点中任意两点之间的欧式距离；b.计算每个点到其他点的距离的平均值；c.确定第一个聚类初始中心；d.确定稠密样本点集合；e.确定下一个聚类初始点；f.重复步骤e，直至选取所有所需的初始聚类点个数。根据本发明专利技术的基于最小距离最大化准则优化初始中心的模糊聚类方法相比于标准FCM方法能够考虑对象的空间分布特性，且具有更好的聚类效果和鲁棒性，具有更高的效率。

【技术实现步骤摘要】
基于最小距离最大化准则优化初始中心的模糊聚类方法
本专利技术涉及一种基于最小距离最大化准则优化初始中心的模糊聚类方法。
技术介绍
聚类分析的基本思想是根据各个待分类样本点之间的相似程度，将相似特性样本点归为一类的方法。近年来，模糊聚类技术作为一种重要的数据处理技术手段，受到越来越多的关注和重视。模糊c均值(fuzzyC-means，FCM)方法是目标函数聚类方法中点的典型代表，它利用模糊理论建立对象类属的不确定性描述，通过优化目标函数得到每个对象对类中心的隶属度，从而起决定样本点的类属。标准FCM方法实现容易、聚类效果较好，特别是在大数据处理、人工智能应用、顾客期望服务调度系统、新闻热点分析、图像分割等领域得到广泛应用。但是标准FCM方法存在以下问题：1)初始聚类中心是随机选取，因此对聚类结果影响较大，存在着鲁棒性差的问题；2)忽略了各个样本点空间位置分布的不同对聚类结果的影响。模糊c-均值聚类方法(Fuzzyc-meansClusteringMethod，FCM)是由Bezkek于1981年提出的，它是目前广泛采用的一种模糊聚类算法。在缩减设计空间时，模糊c-均值聚类法用于对数据点本文档来自技高网...

【技术保护点】
1.一种基于最小距离最大化准则优化初始中心的模糊聚类方法，包括以下步骤：a.求解样本点中任意两点之间的欧式距离；b.计算每个点到其他点的距离的平均值；c.确定第一个聚类初始中心；d.确定稠密样本点集合；e.确定下一个聚类初始点；f.重复步骤e，直至选取所有所需的初始聚类点个数。

【技术特征摘要】
1.一种基于最小距离最大化准则优化初始中心的模糊聚类方法，包括以下步骤：a.求解样本点中任意两点之间的欧式距离；b.计算每个点到其他点的距离的平均值；c.确定第一个聚类初始中心；d.确定稠密样本点集合；e.确定下一个聚类初始点；f.重复步骤e，直至选取所有所需的初始聚类点个数。2.根据权利要求1所述的基于最小距离最大化准则优化初始中心的模糊聚类方法，其特征在于，在所述a步骤中，求解样本集合X＝[xij]中任意两点之间的距离Dij＝||xi-xj||，并保存于矩阵D中。3.根据权利要求2所述的基于最小距离最大化准则优化初始中心的模糊聚类方法，其特征在于，在所述b步骤中，利用所述矩阵D计算每个点到其余所有点的距离的平均值并保存于向量D1中。4.根据权利要求3所述的基于最小距离最大化准则优化初始中心的模糊聚类方法，其特征在于，在所述c步骤中，利用所述向量D1，确定每个点到其他个点的距离的平均值的最小值，以此确定为第一个聚类初始中心P1，并存入集合P＝[P1]。5.根据权利要求4所述的基于最小距离最大化准则优化初始中心的模糊聚类方法，其特征在于，在所述d步骤中，求所...

【专利技术属性】
技术研发人员：陈鑫，左光，齐玢，石泳，侯砚泽，张敏捷，陈冲，
申请(专利权)人：北京空间技术研制试验中心，
类型：发明
国别省市：北京,11