基于样本一特征加权的可能性模糊核聚类算法
【出 处】:《
计算机工程与科学
》
CSCD
2014年第36卷第1期 169-175页,共7页
【作 者】:
黄卫春
;
刘建林
;
熊李艳
【摘 要】
经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题,而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题,但算法假定每个样本对聚类的贡献程度一样。针对以上问题,提出了一种基于样本一特征加权的可能性模糊核聚类算法,将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力;同时,根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值,并优化选取核参数,不断修正核函数把原始空间中非线性可分的数据集映射到高雏空间中的可分数据集。实验结果表明,基于样本一特征加权模糊聚类算法能够减少噪声数据和例外点的影响,比传统的聚类算法具有更好的聚类准确率。
相关热词搜索:
上一篇:K-匿名数据上的聚集查询及其性质
下一篇:基于增强条件公式的主动规则集可终止性判定