典型文献
基于Canopy的KFCM聚类优化算法
文献摘要：
在以模糊集为理论支持的聚类算法中,KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法.KFCM算法需要人为指定数据的分类个数,对数据噪声敏感会降低其性能,且类边缘数据点相互影响会导致分类错误.针对这些问题,该文提出一种改进的C-KFCM模糊算法,先用Canopy粗聚类算法给出数据集大致的分类数,接着在聚类部分使用KFCM算法.改进了原KFCM算法的隶属度函数,在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值,使数据中的噪声对算法的影响减小或消失.实验结果表明,改进的C-KFCM算法能自动确定分类数,并且与原KFCM算法相比,C-KFCM将平均准确率提高了 0.09％,且聚类效果更稳定.
文献关键词：
Canopy粗聚类;核模糊C均值算法;模糊集理论
中图分类号：
作者姓名：
吴辰文;李壮;梁雨欣
作者机构：
兰州交通大学电子与信息工程学院,甘肃兰州 730070
文献出处：
引用格式：
[1]吴辰文;李壮;梁雨欣-.基于Canopy的KFCM聚类优化算法)[J].西北大学学报（自然科学版）,2022(03):444-451
A类：
B类：
Canopy,KFCM,聚类优化,集为,kernel,fuzzy,means,clustering,核函数,模糊聚类算法,数据噪声,据点,模糊算法,先用,隶属度函数,噪声点,邻域,平均准确率,更稳,模糊集理论
AB值：
0.33546
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
