【摘要】：可能性C均值聚類算法(Possibilistic C-Means,PCM)相比于模糊C均值聚類算法(Fuzzy C-Means,FCM),能更好地處理含有噪音和例外點(diǎn)的數(shù)據(jù),但在處理數(shù)據(jù)粘性較強(qiáng)的數(shù)據(jù)集時(shí),PCM算法的聚類中心趨于一致,從而導(dǎo)致聚類算法直接失效。針對這個(gè)問題,提出了中心約束準(zhǔn)則與跨域遷移學(xué)習(xí)準(zhǔn)則,并將其應(yīng)用到可能性C均值算法中,從而提出一種具有中心約束能力的聚類算法,簡稱中心約束的跨源學(xué)習(xí)聚類算法,改進(jìn)后的算法能夠利用跨域知識進(jìn)行輔助聚類,確保類中心相互遠(yuǎn)離,從而能夠保證算法的聚類性能。通過模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集的實(shí)驗(yàn),驗(yàn)證了該算法的上述優(yōu)點(diǎn)。
[Abstract]:Compared with the fuzzy C-means clustering algorithm (Fuzzy C-Means-FCM), the probabilistic C-means clustering algorithm (Possibilistic C-Means-PCM) can deal with the data with noise and exception points better than the fuzzy C-means clustering algorithm (Fuzzy C-Means-FCM), but the clustering center of the algorithm tends to be consistent when dealing with data sets with strong data viscosity. This leads to the direct failure of the clustering algorithm. In order to solve this problem, the center constraint criterion and the cross domain transfer learning criterion are proposed and applied to the probabilistic C-means algorithm, and a clustering algorithm with the ability of center constraint is proposed. The improved cross-source learning clustering algorithm can use cross-domain knowledge to assist clustering and ensure that the clustering centers are far away from each other, thus ensuring the clustering performance of the algorithm. The above advantages of the algorithm are verified by simulating the data set and the real data set.
【作者單位】： 江南大學(xué)數(shù)字媒體學(xué)院;
【基金】：江蘇省自然科學(xué)基金(No.BK20151131) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(No.JUSPR51614A)
【分類號】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇清華;胡中波;;基于差分演化的K-均值聚類算法[J];武漢理工大學(xué)學(xué)報(bào);2010年01期

2 曹易;張寧;;一種改進(jìn)的模糊C-均值聚類算法[J];上海理工大學(xué)學(xué)報(bào);2012年04期

3 王圓妹;;一種改進(jìn)的K-均值聚類算法的研究[J];長江大學(xué)學(xué)報(bào)(自科版);2006年10期

4 王圓妹;;一種改進(jìn)的K-均值聚類算法的研究[J];長江大學(xué)學(xué)報(bào)(自科版)理工卷;2006年04期

5 劉韜;蔡淑琴;曹豐文;崔志磊;;基于距離濃度的K-均值聚類算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年10期

6 查成東;王長松;鞏憲鋒;周家新;;基于改進(jìn)K-均值聚類算法的背景提取方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年21期

7 王丹丹;李彬;陳武凡;;基于多目標(biāo)規(guī)劃的模糊C均值聚類算法[J];中國圖象圖形學(xué)報(bào);2008年08期

8 俞云霞;王士同;朱嵬鵬;;具有數(shù)據(jù)容錯(cuò)能力的模糊C均值聚類算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年03期

9 李翠霞;譚營軍;;一種新的模糊C均值聚類算法[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

10 關(guān)慶;鄧趙紅;王士同;;改進(jìn)的模糊C-均值聚類算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年10期

相關(guān)會議論文 前5條

1 孫廣玲;唐降龍;;一種快速k-均值聚類算法[A];第六屆全國計(jì)算機(jī)應(yīng)用聯(lián)合學(xué)術(shù)會議論文集[C];2002年

2 陳曉山;朱建沖;翁輝;;一種改進(jìn)的模糊C均值聚類算法及其應(yīng)用[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

3 葛繼科;余建橋;張帆;張蕊;;改進(jìn)的K-均值聚類算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會議論文集[C];2004年

4 劉健莊;謝維信;;一種改進(jìn)的快速模糊C均值聚類算法[A];中國系統(tǒng)工程學(xué)會模糊數(shù)學(xué)與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

5 羅小剛;彭承琳;劉婷;侯長軍;霍丹群;文利;;基于模糊C均值聚類算法的心臟扭轉(zhuǎn)運(yùn)動(dòng)中心室壁輪廓的自動(dòng)提取[A];中國儀器儀表學(xué)會醫(yī)療儀器分會第四次全國會員代表大會暨2009年學(xué)術(shù)年會論文集[C];2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉莉莉;K-均值聚類算法的研究與改進(jìn)[D];曲阜師范大學(xué);2015年

2 王龍強(qiáng);K均值聚類算法初始聚類中心的選取與改進(jìn)[D];東北大學(xué);2013年

3 梁鵬;基于Spark的模糊c均值聚類算法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 徐曼舒;基于改進(jìn)人工蜂群的模糊C均值聚類算法研究[D];安徽大學(xué);2016年

5 古哲德;無線傳感器網(wǎng)絡(luò)中面向圖像的模糊C均值聚類算法的研究[D];廣西大學(xué);2016年

6 崔西希;基于中智模糊C-均值聚類算法及其應(yīng)用研究[D];西安郵電大學(xué);2017年

7 吳曉蓉;K-均值聚類算法初始中心選取相關(guān)問題的研究[D];湖南大學(xué);2008年

8 趙爽;改進(jìn)的模糊C均值聚類算法及其應(yīng)用[D];東北大學(xué);2010年

9 歐陳委;K-均值聚類算法的研究與改進(jìn)[D];長沙理工大學(xué);2011年

10 王威娜;改進(jìn)的模糊C-均值聚類算法[D];大連海事大學(xué);2007年

，

本文編號：2259351