多粒度粗糙集视角下的聚类融合策略

"这篇研究论文探讨了一种基于多粒度粗糙集的聚类融合方法，旨在解决现有聚类融合算法的局限性，如劣质成员影响和主观选择问题。通过利用多粒度决策不一致粗糙集，该方法选择部分类别确定的元素进行融合，以生成更优的聚类划分。论文还提出了一个新的粗糙集模型，用于描述决策过程中的属性一致但决策不一致的情况。具体步骤包括使用K-means算法生成多个粒结构，计算粒间包含度，应用Otsu算法确定阈值，以及处理下近似和边界域元素的类别。实验结果证明，这种方法能提高聚类质量，具有高效率和良好的鲁棒性。关键词涉及多粒度粗糙集、聚类融合和大津算法。" 在这篇论文中，作者们针对聚类融合算法的常见问题进行了深入研究。传统的聚类融合方法通常从聚类成员的角度考虑，这可能导致劣质成员对融合结果产生负面影响。另一方面，如果预先选择成员进行融合，选择策略可能存在主观性。为了解决这些问题，论文提出了一个新的视角，即从元素的角度出发，运用多粒度粗糙集理论。 多粒度粗糙集是一种在不同粒度层次上分析数据的方法，可以揭示不同粒度下的信息和决策不一致性。在此基础上，研究者构建了一个多粒度决策不一致粗糙集模型，用于识别那些在属性一致但决策结果不一致的数据点。这种模型有助于减少主观性，并避免劣质成员的影响。 论文的实施步骤包括：首先，使用K-means聚类算法对数据集进行多次聚类，得到不同的粒结构；接着，计算这些粒结构之间的包含度，形成包含度矩阵；然后，采用Otsu算法，这是一种常用于二值图像分割的自动阈值选取方法，来确定矩阵的阈值，从而选择出信息粒；最后，处理这些信息粒的下近似和边界域元素，生成最终的聚类划分。 实验结果验证了所提方法的有效性和效率，表明它能够在保持较高时间效率的同时，提供更准确的聚类结果。此外，该方法表现出良好的鲁棒性，意味着它对数据变化或噪声有较强的抵抗能力。关键词中的“大津算法”（Otsu算法）在这里是作为自动阈值选取工具被引用的，它在聚类融合过程中起到了关键作用。 这篇论文提出了一个创新的聚类融合方法，利用多粒度粗糙集和大津算法解决了传统方法的局限性，提升了聚类效果，对于数据挖掘和人工智能领域的研究具有重要意义。