基于D-S证据理论的模糊聚类集成改进

本文主要探讨了一种创新的模糊聚类集成方法，其核心在于解决现有集成技术在处理模糊数据集时的局限性。该方法基于Dempster-Shafer（D-S）证据理论，将模糊聚类问题与证据理论相结合，旨在提升聚类的准确性和稳定性。 首先，研究者将每个聚类成员视为一个证据元，这反映了样本点对所属类别的信心程度。他们将样本点之间的类别关系定义为事件，通过证据的累加，构建了互相关矩阵，这种矩阵能够量化不同样本点之间的相似性或相关性，为后续的聚类分析提供了基础。 在处理模糊聚类时，传统的单一模糊度或模糊贴近度可能无法全面反映样本点的复杂性。因此，作者提出了结合点模糊度和模糊贴近度的类别关系表示方法。这种融合考虑了样本点的不确定性和邻域信息，从而为证据元赋予更精确的基本概率赋值，提高了聚类的精度。 接下来，通过对互相关矩阵的分析，研究者构造了样本点间的相似性关系，这些关系反映了数据点在概念空间中的亲疏程度。然后，借助谱聚类算法，他们对这些相似性关系进行聚类，这种算法能够有效地处理大规模、高维度的复杂数据集，并且在保持聚类质量的同时，提高了计算效率。 通过实验对比，该基于D-S证据理论的模糊聚类集成方法展示了优于传统集成方法的聚类性能。它在处理模糊数据、处理不确定性以及提高聚类效果方面表现出色，为模糊聚类问题提供了一种有效的解决方案。 这篇文章的核心贡献在于提出了一种新的融合模糊聚类和证据理论的方法，通过优化证据元的处理和相似性关系的构建，显著改善了模糊聚类的集成性能。这对于实际应用中的数据挖掘、模式识别和知识发现等领域具有重要意义。