基于密度函数加权的模糊C均值聚类算法研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (27): 123-127.

• 数据库、信号与信息处理 • 上一篇下一篇

基于密度函数加权的模糊C均值聚类算法研究

孟海东1，马娜娜1，宋宇辰1，徐贯东2

1.内蒙古科技大学，内蒙古包头 014010
2.维多利亚大学，维多利亚省墨尔本 3029

出版日期:2012-09-21 发布日期:2012-09-24

Research on Fuzzy C-Means clustering algorithm based on density function weighted

MENG Haidong1, MA Nana1, SONG Yuchen1, XU Guandong2

1.Inner Mongolia University of Science and Technology, Baotou Inner Mongolia 014010, China
2.Victoria University, Melbourne, Victoria 3029, Australia

Online:2012-09-21 Published:2012-09-24

摘要/Abstract

摘要： 模糊聚类算法具有较强的实用性，但传统模糊C均值算法（FCM）具有对样本集进行等划分趋势的缺陷，没有考虑不同样本的实际分布对聚类效果的影响，当数据集中各样本密集程度相差较大时，聚类结果不是很理想。因此，提出一种基于密度函数加权的模糊C均值聚类算法（DFCM算法），该算法利用数据对象的密度函数作为每个数据点权值。实验结果表明，与传统的模糊C均值算法相比，DFCM算法具有较好的聚类效果。

关键词: 模糊聚类, 模糊C均值, 密度函数加权

Abstract: Fuzzy clustering algorithm has a strong practicality, but the traditional Fuzzy C-Means（FCM） algorithm has limitation of equal partition trend for data sets, without considering the effect of clustering produced by actual distribution of the different samples. When all kinds of samples of data set have difference intensity, the clustering result is not very satisfactory. Therefore, this paper presents Fuzzy C-Means algorithm based on a Density function weighted（DFCM algorithm）. The algorithm uses the data object density function as a weight for each data point. Experimental results show that, compared with the traditional Fuzzy C-Means algorithm, DFCM algorithm has better clustering results.

Key words: fuzzy clustering, Fuzzy C-Means, density function weighted

孟海东1，马娜娜1，宋宇辰1，徐贯东2. 基于密度函数加权的模糊C均值聚类算法研究[J]. 计算机工程与应用, 2012, 48(27): 123-127.

MENG Haidong1, MA Nana1, SONG Yuchen1, XU Guandong2. Research on Fuzzy C-Means clustering algorithm based on density function weighted[J]. Computer Engineering and Applications, 2012, 48(27): 123-127.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	陈甜甜，何秀青，葛文双，何聚厚. 大规模在线协作学习分组方法及应用研究[J]. 计算机工程与应用, 2021, 57(1): 92-98.
[3]	严加展，陈华，李阳. 改进的模糊C-均值聚类有效性指标[J]. 计算机工程与应用, 2020, 56(9): 156-161.
[4]	王燕，亓祥惠，段亚西. 基于马尔科夫随机场的改进FCM图像分割算法[J]. 计算机工程与应用, 2020, 56(4): 197-201.
[5]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.
[6]	黄建新，袁杰. 三维空间机器人主动嗅觉烟羽源自主定位策略[J]. 计算机工程与应用, 2020, 56(12): 223-230.
[7]	刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.
[8]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[9]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[10]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[11]	余炳光，刘冬梅. 特征逐减的可能性模糊聚类算法[J]. 计算机工程与应用, 2019, 55(19): 58-65.
[12]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[13]	张岭军，李聪，段云龙. 结合空间邻域信息的SAR图像变化检测[J]. 计算机工程与应用, 2019, 55(15): 185-192.
[14]	陈勇1，2，3，周晓锋2，3，李帅1，2，3. 铝电解关键指标预测方法的研究与应用[J]. 计算机工程与应用, 2019, 55(12): 250-258.
[15]	孙佳美，吴成茂. 正则化图形模糊聚类及鲁棒分割算法[J]. 计算机工程与应用, 2019, 55(11): 179-186.

基于密度函数加权的模糊C均值聚类算法研究

Research on Fuzzy C-Means clustering algorithm based on density function weighted

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics