針對多維數(shù)據(jù)的模糊聚類算法研究.pdf

1、數(shù)據(jù)分類是貫穿各個學(xué)科的重要問題。在各個數(shù)據(jù)類型中擁有多個維度的多維數(shù)據(jù)是最錯綜復(fù)雜，在工業(yè)生產(chǎn)和生活實踐中也是最常用到的數(shù)據(jù)。縱觀各種各樣的數(shù)據(jù)分類算法,非監(jiān)督類算法在實際應(yīng)用中有非常廣闊的應(yīng)用空間。在非監(jiān)督算法中應(yīng)用最為廣泛的就是K-means算法和Fuzzy c-means（FCM）算法。
　　K-means算法作為硬聚類領(lǐng)域劃分的基礎(chǔ)算法，F(xiàn)CM算法作為軟聚類劃分的代表算法，在實際應(yīng)用中被廣泛使用的同時也擁有諸多缺點。其中

2、FCM聚類算法作為一個非監(jiān)督模式的算法通過使目標(biāo)函數(shù)獲得最小值來得到最優(yōu)解。在聚類中心的移動過程中會因為算法本身的固有缺陷陷入局部最小值，而導(dǎo)致分類結(jié)果不精確。硬劃分和軟化分的本質(zhì)區(qū)別在于在硬劃分中每一個元素只能屬于或者不屬于某一個聚類，而在軟化分中，元素和聚類之間的關(guān)系不再是單純的屬于或者不屬于，而是由模糊的隸屬度來描述。隸屬度是一個用來表示元素和聚類之間關(guān)系的值。
　　為了獲得更高的分類精確度和更快的速度，論文探討了FCM算法

3、的優(yōu)缺點，然后分析了它的邏輯構(gòu)成和各個模塊之間的關(guān)系，并針對這些做出了改進，提出了新的針對多維數(shù)據(jù)的模糊聚類算法，Unitary Fuzzy Cluster Algorithm（UFC）。UFC算法應(yīng)用了維度歸一化工具和新的聚類中心移動公式。維度歸一化工具能夠用權(quán)重代表多維數(shù)據(jù)的每一維的特性。論文還提出了一種新的移動聚類中心的方式，能科學(xué)的移動聚類中心。通過不斷地計算各個數(shù)據(jù)到聚類中心的距離的權(quán)值來移動聚類中心。聚類中心的最優(yōu)解能讓相似