模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2019, Vol. 32 Issue (12): 1141-1150    DOI: 10.16451/j.cnki.issn1003-6059.201912010
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法
张鑫涛1, 马福民1, 曹杰1, 张腾飞2
1.南京财经大学 信息工程学院 南京 210023;
2.南京邮电大学 自动化学院 南京 210003
Rough Fuzzy K-means Clustering Algorithm Based on Mixed Metrics and Cluster Adaptive Adjustment
ZHANG Xintao1, MA Fumin1, CAO Jie1, ZHANG Tengfei2
1.College of Information Engineering, Nanjing University of Finance and Economics, Nanjing 210023;
2.College of Automation, Nanjing University of Posts and Telecommunications, Nanjing 210003

全文: PDF (879 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 针对粗糙K-means聚类及其相关衍生算法需要提前人为给定聚类数目、随机选取初始类簇中心导致类簇交叉区域的数据划分准确率偏低等问题,文中提出基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法.在计算边界区域的数据对象归属于不同类簇的隶属程度时,综合考虑局部密度和距离的混合度量,并采用自适应调整类簇数目的策略,获得最佳聚类数目.选取数据对象稠密区域中距离最小的两个样本的中点作为初始类簇中心,将附近局部密度高于平均密度的对象划分至该簇后再选取剩余的初始类簇中心,使初始类簇中心的选取更合理.在人工数据集和UCI标准数据集上的实验表明,文中算法在处理类簇交叠严重的球簇状数据集时,具有自适应性,聚类精度较优.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
张鑫涛
马福民
曹杰
张腾飞
关键词 粗糙模糊聚类粗糙K-means混合度量类簇自适应局部密度    
Abstract:Rough K-means clustering and its related derivative algorithms need the number of clusters in advance, and random selection of the initial cluster center results in low accuracy of data partition in the cross-region of clusters. To solve these problems, a rough fuzzy K-means clustering algorithm with adaptive adjustment of clusters is proposed. When the membership degree of the data objects belonging to different clusters in the intersection area of the cluster boundary is calculated, the mixed metrics of local density and distance are taken into account in the proposed algorithm. The optimal number of clusters is gained by adjusting the number of clusters adaptively. The midpoint of two samples with the smallest distance in the dense area of data objects is selected as the initial cluster center. The object with the local density higher than the average density is divided into the cluster, and then the re-maining initial cluster center can be selected. Thus, the selection of the initial cluster centers is more reasonable. The experiments on synthetic datasets and UCI datasets demonstrate the advantages of the proposed algorithm in adaptability and clustering accuracy for dealing with spherical clusters with blurred boundaries.
Key wordsRough Fuzzy Clustering    Rough K-means    Mixed Metrics    Cluster Adaptive Adjustment    Local Density   
收稿日期: 2019-06-10     
ZTFLH: TP 18  
基金资助:国家重点研发计划项目(No.2017YFD0401001)、国家自然科学基金项目(No.61973151,61833011)、江苏省自然科学基金项目(No.BK20191376,BK20191406)、江苏省高校自然科学研究重大项目(No.17KJA120001)、江苏省研究生科研与实践创新计划项目(No.KYCX18_1388)资助
通讯作者: 马福民,博士,教授,主要研究方向为智能信息处理、 智能生产系统等.E-mail:fmmatj@126.com.   
作者简介: 张鑫涛,硕士研究生,主要研究方向为信息处理、数据挖掘.E-mail:18305153916@163.com.曹 杰,博士,教授,主要研究方向为商务智能、 数据挖掘等.E-mail:caojie6909@163.com.张腾飞,博士,教授,主要研究方向为智能信息处理、 大数据分析等.E-mail:tfzhang@126.com.
引用本文:   
张鑫涛, 马福民, 曹杰, 张腾飞. 基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法[J]. 模式识别与人工智能, 2019, 32(12): 1141-1150. ZHANG Xintao, MA Fumin, CAO Jie, ZHANG Tengfei. Rough Fuzzy K-means Clustering Algorithm Based on Mixed Metrics and Cluster Adaptive Adjustment. , 2019, 32(12): 1141-1150.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201912010      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2019/V32/I12/1141
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn