提升聚类精度的模糊联合聚类算法:结合紧致性与分离性
103 浏览量
更新于2024-09-05
收藏 319KB PDF 举报
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。
2023-06-12 上传
2023-07-27 上传
2023-03-29 上传
2023-07-10 上传
2023-05-25 上传
2023-06-28 上传
2023-06-15 上传
2023-06-12 上传
2023-06-07 上传
weixin_38637805
- 粉丝: 4
- 资源: 952
最新资源
- WebLogic集群配置与管理实战指南
- AIX5.3上安装Weblogic 9.2详细步骤
- 面向对象编程模拟试题详解与解析
- Flex+FMS2.0中文教程:开发流媒体应用的实践指南
- PID调节深入解析:从入门到精通
- 数字水印技术:保护版权的新防线
- 8位数码管显示24小时制数字电子钟程序设计
- Mhdd免费版详细使用教程:硬盘检测与坏道屏蔽
- 操作系统期末复习指南:进程、线程与系统调用详解
- Cognos8性能优化指南:软件参数与报表设计调优
- Cognos8开发入门:从Transformer到ReportStudio
- Cisco 6509交换机配置全面指南
- C#入门:XML基础教程与实例解析
- Matlab振动分析详解:从单自由度到6自由度模型
- Eclipse JDT中的ASTParser详解与核心类介绍
- Java程序员必备资源网站大全