樣本和特征加權(quán)的模糊聚類算法研究.pdf

1、聚類是一種無監(jiān)督學(xué)習(xí)方法，通過聚類技術(shù)可以從數(shù)據(jù)中獲取大量知識(shí)，為此，研究人員提出了許多不同的聚類算法，其中基于目標(biāo)函數(shù)的聚類是人們研究的熱點(diǎn)，并被廣泛地應(yīng)用于很多領(lǐng)域，例如模式識(shí)別，圖像分割，市場(chǎng)研究，數(shù)據(jù)挖掘等。然而，對(duì)于提出的一些基于目標(biāo)函數(shù)的聚類算法，它們將不同樣本和特征視為同等重要，從而導(dǎo)致聚類性能降低。為了進(jìn)一步提高聚類算法的性能，研究不同樣本和特征對(duì)聚類的不同貢獻(xiàn)的模糊聚類算法具有重要的意義。
　　本研究主要內(nèi)容包括

2、：⑴通過深入研究樣本加權(quán)的模糊聚類以及特征加權(quán)的模糊聚類，在FCM聚類的目標(biāo)函數(shù)及隸屬度歸一化的基礎(chǔ)上，同時(shí)考慮樣本和特征的重要性對(duì)聚類的影響，獲得了樣本和特征加權(quán)的模糊聚類模型；使用拉格朗日求解方法，從理論上導(dǎo)出了模糊隸屬度、簇中心、樣本權(quán)值和特征權(quán)值，并給出了動(dòng)態(tài)調(diào)整樣本和特征權(quán)值的模糊聚類算法，同時(shí)，也研究了靜態(tài)調(diào)整樣本和特征權(quán)值的模糊聚類算法。另外，研究了放松隸屬度歸一化約束的樣本和特征加權(quán)的模糊聚類算法，以此解決噪聲數(shù)據(jù)對(duì)聚類

3、的影響。⑵為了解決復(fù)雜數(shù)據(jù)的聚類，結(jié)合核方法，并考慮隸屬度歸一化及放松隸屬度歸一化兩種情況，獲得了樣本和特征加權(quán)的核模糊聚類模型，從理論上導(dǎo)出模糊隸屬度、簇中心、樣本權(quán)值和特征權(quán)值，并給出了相應(yīng)的模糊聚類算法，包括動(dòng)態(tài)調(diào)整樣本和特征權(quán)值的核模糊聚類算法以及靜態(tài)調(diào)整樣本和特征權(quán)值的核模糊聚類算法。⑶為了解決復(fù)雜目標(biāo)函數(shù)的聚類問題，針對(duì)模糊C均值聚類，使用Hopfield神經(jīng)網(wǎng)絡(luò)和復(fù)突觸神經(jīng)網(wǎng)絡(luò)解決模糊C均值聚類的優(yōu)化問題，其中Hopfie