FCM算法的改进及仿真实验研究

doi:10.3778/j.issn.1002-8331.2009.20.043

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (20): 144-146.DOI: 10.3778/j.issn.1002-8331.2009.20.043

FCM算法的改进及仿真实验研究

吕晓燕^1，2，罗立民²，李祥生¹

1.山西医科大学计算中心，太原 030001
2.东南大学计算机科学与工程系，南京 210096

收稿日期:2009-05-11 修回日期:2009-06-19 出版日期:2009-07-11 发布日期:2009-07-11

Impovement on FCM algorithm and simulation research

LV Xiao－yan^1，2，LUO Li－min²，LI Xiang-sheng¹

1.Computing Center，Shanxi Medical University，Taiyuan 030001，China
2.Department of Computer Science and Engineering，Southeast University，Nanjing 210096，China

Received:2009-05-11 Revised:2009-06-19 Online:2009-07-11 Published:2009-07-11

摘要/Abstract

摘要：

针对FCM原型算法的不足，提出一种新的改进方法，并进行仿真实验研究。利用主成分分析方法对原始数据集的指标进行筛选，应用Relief算法对入选指标计算权重。在此基础上，对FCM算法进行了改进。应用模糊划分系数Fc（R）和平均模糊熵Hc（R）这两个指标对算法的性能进行了评价。仿真实验结果表明，改进后的FCM算法对样本集数据的分类符合率达到了91.5%，其模糊划分系数Fc（R）和平均模糊熵Hc（R）分别为0.924和－0.062。改进后的FCM算法分类性能优于FCM原型算法，在应用中可以取得更好的效果。

关键词: 模糊C均值算法, 主成分分析, Relief算法, 模糊划分系数平均模糊熵

Abstract: To improve the shortcomings of original FCM algorithm，an improved algorithm is proposed.This paper uses principal component analysis to select the features from the original data set，and uses Relief algorithms to calculate the weights of the choosed feathures.Fuzzy division factor Fc（R） and the average fuzzy entropy Hc（R） are used to evaluate the performance of improved FCM algorithm.The improved FCM algorithm is applied for the classification of sample set of data，it can get the accuracy of 91.5%，fuzzy partition coefficient （Fc（R）） and the average fuzzy entropy （Hc（R）） are 0.924 and -0.062.The improved FCM algorithm is more efficient than the original FCM algorithm，the application can be made more effective.

Key words: Fuzzy C-Means（FCM） algorithm, principal component analysis, Relief algorithm, fuzzy partition coefficient, average fuzzy entropy

吕晓燕^1，2，罗立民²，李祥生¹. FCM算法的改进及仿真实验研究[J]. 计算机工程与应用, 2009, 45(20): 144-146.

LV Xiao－yan^1，2，LUO Li－min²，LI Xiang-sheng¹. Impovement on FCM algorithm and simulation research[J]. Computer Engineering and Applications, 2009, 45(20): 144-146.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[5]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[6]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[7]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[8]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[9]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[10]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[11]	陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究[J]. 计算机工程与应用, 2019, 55(6): 108-112.
[12]	牛亚茜，冀小平. 基于卷积神经网络的图像检索算法研究[J]. 计算机工程与应用, 2019, 55(18): 201-206.
[13]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[14]	马义超，赵运基，张新良. 基于PCA初始化卷积核的CNN手写数字识别算法[J]. 计算机工程与应用, 2019, 55(13): 134-139.
[15]	杨宝山1，2，3，胡业刚1，2，3，张冀聪1，2，3. 2DPCA在脑磁图棘波信号检测中的应用[J]. 计算机工程与应用, 2019, 55(1): 186-190.

FCM算法的改进及仿真实验研究

Impovement on FCM algorithm and simulation research

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