控制理论与应用

作者：潘金艳,高朋,高云龙,谢有为,熊裕慧

单位：集美大学信息工程学院,集美大学航海学院,厦门大学航空航天学院,福建省厦门市集美区集美大学,厦门大学航空航天学院

关键词：模糊C均值(FCM); 类不均衡; 集成学习; k近邻约束; 局部信息

基金：国家自然科学基金项目(61203176), 福建省自然科学基金项目(2013J05098, 2016J01756)资助.

相比于k-means算法, 模糊C均值(FCM)通过引入模糊隶属度, 考虑不同数据簇之间的相互作用, 进而避免了聚类中心趋同性问题. 然而模糊隶属度具有拖尾和翘尾的结构特征, 因此使得FCM算法对噪声点和孤立点很敏感; 此外, 由于FCM算法倾向于将各数据簇均等分, 因此算法对数据簇大小也很敏感, 对非平衡数据簇聚类效果不佳. 针对这些问题, 本文提出了基于可靠性的鲁棒模糊聚类算法(RRFCM). 该算法基于当前的聚类结果, 对样本点进行可靠性分析, 利用样本点的可靠性和局部近邻信息, 突出不同数据簇之间的可分性, 从而提高了算法对噪声的鲁棒性, 并且降低了对非平衡数据簇大小的敏感性, 得到了泛化性能更好的聚类结果. 与相关算法进行对比,RRFCM算法在人造数据集, UCI真实数据集以及图像分割实验中均取得最优的结果.

来源：2021年第4期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2021年第4期