指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类...指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类中心表达式的推导错误及相关结论的错误,在修改该错误的基础上提出新的基于FMSDC的模糊聚类算法:FMSDC-FCS(Fuzzy Compactness and Separation Clustering Algorithm Based on Fuzzy Maximum Scatter Difference Discriminant Criterion).FMS-DC-FCS利用FMSDC产生最佳投影矢量,利用模糊紧性分离性(Fuzzy Compactness and Separation,FCS)算法对降维数据聚类,通过交替运行原数据空间中的FMSDC和投影空间中的FCS来优化投影矢量和聚类结果,最终通过对降维数据的聚类实现对原始数据的聚类.实验结果表明,FMSDC-FCS总体性能优于原有的FCS算法、FMSDCA算法以及经典的模糊C-均值算法.展开更多
针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用...针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用模糊聚类算法实现数据聚类,并利用选取代表元的方法提高DFCM对大样本数据的执行效率。通过对真实数据的对比性实验可以验证DFCM的有效性。展开更多
提出一种新的鲁棒核模糊C-均值聚类算法。将连通核与AFCM(Alternative fuzzy C-means)聚类算法相结合,给出基于连通核的核AFCM:CRKFCM(Connectivity kernel based robust fuzzy C-means)。CRKFCM一方面有效地利用了连通核,可以对任意形...提出一种新的鲁棒核模糊C-均值聚类算法。将连通核与AFCM(Alternative fuzzy C-means)聚类算法相结合,给出基于连通核的核AFCM:CRKFCM(Connectivity kernel based robust fuzzy C-means)。CRKFCM一方面有效地利用了连通核,可以对任意形状数据聚类,且避免了核参数的选取问题;另一方面在特征空间使用非欧氏距离,可以有效地处理含噪声数据的聚类问题。实验结果表明,与原有的AFCM和连通核硬C-均值(CKHCM,Connectivity kernel based hard C-means)聚类算法相比,新算法在处理噪声环境中的任意形状聚类问题方面更有效。展开更多
文摘指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类中心表达式的推导错误及相关结论的错误,在修改该错误的基础上提出新的基于FMSDC的模糊聚类算法:FMSDC-FCS(Fuzzy Compactness and Separation Clustering Algorithm Based on Fuzzy Maximum Scatter Difference Discriminant Criterion).FMS-DC-FCS利用FMSDC产生最佳投影矢量,利用模糊紧性分离性(Fuzzy Compactness and Separation,FCS)算法对降维数据聚类,通过交替运行原数据空间中的FMSDC和投影空间中的FCS来优化投影矢量和聚类结果,最终通过对降维数据的聚类实现对原始数据的聚类.实验结果表明,FMSDC-FCS总体性能优于原有的FCS算法、FMSDCA算法以及经典的模糊C-均值算法.
文摘针对判别硬c-均值聚类(Discriminative Hard c-means,DHCM)算法存在对大样本数据聚类速度慢的问题,提出判别模糊c-均值(Discriminative Fuzzy c-means,DFCM)算法,即用DHCM中提出的核函数将原数据空间映射到特征空间后,再在特征空间使用模糊聚类算法实现数据聚类,并利用选取代表元的方法提高DFCM对大样本数据的执行效率。通过对真实数据的对比性实验可以验证DFCM的有效性。
文摘提出一种新的鲁棒核模糊C-均值聚类算法。将连通核与AFCM(Alternative fuzzy C-means)聚类算法相结合,给出基于连通核的核AFCM:CRKFCM(Connectivity kernel based robust fuzzy C-means)。CRKFCM一方面有效地利用了连通核,可以对任意形状数据聚类,且避免了核参数的选取问题;另一方面在特征空间使用非欧氏距离,可以有效地处理含噪声数据的聚类问题。实验结果表明,与原有的AFCM和连通核硬C-均值(CKHCM,Connectivity kernel based hard C-means)聚类算法相比,新算法在处理噪声环境中的任意形状聚类问题方面更有效。