模糊聚類集成算法及融合差異度分析研究.pdf

1、數(shù)據(jù)挖掘(Data Mining)就是從海量的數(shù)據(jù)中，提取隱含在其中的人們事先不知道的、但又是潛在有用的信息和知識的過程。而作為數(shù)據(jù)挖掘技術之一的聚類分析，無論是在數(shù)據(jù)分析、模式識別，還是在市場分析和圖像處理方面都有著廣泛的應用，所以越來越受到研究者的關注。
　　聚類分析就是在沒有任何可供學習的樣本情況下，將對象集進行自動分組，使類間相似性盡量小，類內相似性盡量大的一種分析方法。傳統(tǒng)的聚類分析是一種硬劃分，它把每個待聚類的樣本嚴格

2、地劃分到某個類中，具有非此及彼的性質，也就是說樣本只能屬于所有類別中的某一類別。而實際上大多數(shù)樣本在類屬和形態(tài)方面存在著模糊性，即屬性并沒有嚴格地限制，適合進行軟劃分。
　　模糊理論的提出為這種軟劃分提供了有力的分析工具，人們開始用模糊的方法來處理聚類問題，并稱之為模糊聚類分析，它是聚類分析與模糊理論相結合的產物。模糊聚類能得到樣本屬于各個類別的不確定性程度，表達了樣本類屬的模糊性，從而能更客觀地反映現(xiàn)實世界。
　　作為當前

3、聚類分析的新興研究熱點，聚類集成是將不同算法或者同一算法使用不同參數(shù)得到的結果進行合并，從而改善聚類性能。當前大多數(shù)聚類集成方法都將硬聚類算法作為基本的聚類算法，而將模糊聚類用在集成方面的研究甚少。針對這種情況，本文緊緊圍繞模糊聚類這一課題，旨在分析研究如何改進經典的模糊聚類算法以及應用模糊聚類的特性來提高分類器集成的性能，此外還考慮多個聚類成員的差異性，利用模糊聚類集成來獲得比硬聚類更為豐富的信息，來改善聚類質量。本文的創(chuàng)新性研究成果

4、主要有:
　　1、提出了一種改進的模糊C-均值聚類算法(SWFCM)。該算法是針對模糊C-均值(FCM)聚類算法對噪聲和孤立點數(shù)據(jù)敏感、樣本分布不均衡的問題所提出的。改進隸屬度函數(shù)，以消除孤立點對聚類結果的影響；為每個樣本點賦予一個定量的權值，以區(qū)分不同的樣本點對于知識發(fā)現(xiàn)的不同作用，改善噪音和分布不均衡的樣本集的聚類結果。實驗結果表明該算法具有更好的健壯性和聚類效果。
　　2、提出了一種基于模糊聚類思想的兩級集成分類器算法

5、(EWFuzzyBagging)。該算法首先將數(shù)據(jù)集用Fuzzy C-Means算法進行聚類，得到每個實例對應于每個類別的模糊隸屬度。一級集成根據(jù)Bagging算法獲得成員分類器，分類器個數(shù)為數(shù)據(jù)集類別數(shù)且每個成員分類器對應一個類別標號，這些成員分類器的采樣方式為通過其對應類別的模糊隸屬度為每個實例加權后進行隨機重采樣。二級集成是將一級集成產生的針對類別的成員分類器通過動態(tài)加權多數(shù)投票法來組合，學習到最終的分類結果。實驗結果表明該算法與

6、Bagging和AdaBoost相比具有更好的健壯性。
　　3、提出了一種基于互信息的模糊聚類集成算法(Mi-WFCE)。該算法首先利用模糊C-均值聚類算法(Fuzzy C-Means)通過每次隨機選取初始聚類中心的方式來獲得相互具有差異性的聚類成員，并將這些聚類成員通過基于投票機制的集成算法進行粗融合，獲得一個粗融合聚類結果；然后將聚類成員與粗融合結果進行比對，通過互信息值來確定聚類成員的穩(wěn)定性，根據(jù)其穩(wěn)定性來設置聚類成員的權值