基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法

作者：张鑫涛; 马福民^*; 曹杰; 张腾飞

来源：模式识别与人工智能, 2019, 32(12): 1141-1150.

DOI：10.16451/j.cnki.issn1003-6059.201912010

• 粗糙模糊聚类
• 粗糙K-means
• 混合度量
• 类簇自适应
• 局部密度

针对粗糙K-means聚类及其相关衍生算法需要提前人为给定聚类数目、随机选取初始类簇中心导致类簇交叉区域的数据划分准确率偏低等问题,文中提出基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法.在计算边界区域的数据对象归属于不同类簇的隶属程度时,综合考虑局部密度和距离的混合度量,并采用自适应调整类簇数目的策略,获得最佳聚类数目.选取数据对象稠密区域中距离最小的两个样本的中点作为初始类簇中心,将附近局部密度高于平均密度的对象划分至该簇后再选取剩余的初始类簇中心,使初始类簇中心的选取更合理.在人工数据集和UCI标准数据集上的实验表明,文中算法在处理类簇交叠严重的球簇状数据集时,具有自适应性,聚类精度较优.

• 单位
  自动化学院; 南京邮电大学; 南京财经大学