提升聚类精度的模糊联合聚类算法：结合紧致性与分离性

本文主要探讨了一种结合紧致性与分离性的模糊联合聚类算法（Fuzzy Compactness and Separation Co-clustering, FCSCC），由刘永利、段天毅和杨立身三位作者针对河南理工大学的研究发表在《河南理工大学学报(自然科学版)》上。该算法的创新之处在于它在模糊紧致性和分离性（Fuzzy Compactness and Separation, FCS）的基础之上，进一步考虑了特征维度的隶属度关系，并应用了熵最大化原理。这种扩展使得算法能够在数据对象（如样本集）和特征两个维度上同时进行有效的聚类分析，从而提高聚类的准确性。 在传统的聚类方法中，紧致性通常用于衡量数据点之间的相似性，而分离性则关注类别间的差异。模糊聚类引入了隶属度的概念，允许数据点同时属于多个类别的可能性，这使得算法更加灵活且适应复杂的数据分布。FCSCC算法通过同时优化类内的紧密度和类间的分离度，实现了对数据对象和特征的双重优化，这在处理高维、非线性和噪声数据时具有显著优势。 为了验证FCSCC算法的有效性，研究者们选取了三种常见的聚类算法，包括但不限于FCSCC，然后在五个不同的数据集上进行了对比实验。实验结果表明，FCSCC在聚类准确率上表现出色，超越了其他三种算法，这证明了其在实际应用中的优越性能。 关键词：模糊联合聚类算法、紧致性、分离性。该研究的中图分类号为TP311.13，文献标志码为A，文章编号为1673-9787(2017)05-085-05，这些标识符对于学术交流和文献检索至关重要。这篇文章为改进聚类算法提供了新的视角和方法，对于数据挖掘和机器学习领域的研究人员来说，具有较高的参考价值。