一种基于证据推理的自适应聚类算法

摘要

为了有效处理模式分类中的不确定信息,将证据推理的Dempster和Yager规则与K-NN分类相结合,设计了一种新的证据K-NN分类器.然后针对目标样本数据缺失且类别数目未知的识别问题,又提出了一种基于证据推理的自适应聚类算法.随机给定各分类对象的初始置信度和类别数目,通过所设计的证据K近邻分类器对目标数据类别属性和类别数目进行迭代更新,实现目标数据的完全自适应聚类.通过仿真和真实数据集实验,将新算法与目前聚类识别中应用最为广泛的FCM进行了对比分析,结果显示新算法能够有效提高目标数据的识别正确率.