距离决策下的模糊聚类集成模型

摘要

模糊聚类是近年来使用的一类性能较为优越的聚类算法,但该类算法对初始聚类中心敏感且对边界样本的聚类结果不够准确.为了提高聚类准确性、稳定性,该文通过联合多个模糊聚类结果,提出一种距离决策下的模糊聚类集成模型.首先,利用模糊C均值(FCM)算法对数据样本进行多次聚类,得到相应的隶属度矩阵.然后,提出一种新的距离决策方法,充分利用得到的隶属度关系构建一个累积距离矩阵.最后,将距离矩阵引入密度峰值(DP)算法中,利用改进的DP算法进行聚类集成以获取最终聚类结果.在UCI机器学习库中选择9个数据集进行测试,实验结果表明,相比经典的聚类集成模型,该文提出的聚类集成模型效果更佳.