自适应稀疏模糊聚类模型

摘要

传统的C均值聚类算法是一种硬划分聚类方法,对初始聚类中心的设置敏感,具有聚类中心趋同性问题.为了克服该问题,模糊C均值(FCM)聚类算法被提出.然而,FCM中模糊隶属度的拖尾和翘尾特征却带来了新的问题:一方面,聚类结果更易受噪声和离群点的影响;另一方面,数据簇的可分性下降,聚类结果泛化性差.针对这些问题提出了一种新的具有自适应性的模糊聚类算法,该算法采用正则化技术与软阈值法,模糊隶属度具有明显的稀疏性结构特征;引入了虚拟类,有效降低异常点与离群点对聚类结果的影响,并且解决了FCM所存在的翘尾问题,提高数据簇可分性与类内聚程度.对比相关算法,在人造数据集和UCI数据集,以及图像分割问题上的实验结果验证了该算法的有效性.