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，它旨在解决现有集成技术在处理模糊数据集时的局限性。该方法的核心理念是融合模糊测度和Dempster-Shafer (D-S) 证据理论，以提高模糊聚类的准确性和稳定性。 首先，作者将每个模糊聚类中的成员视为独立的证据元，这有助于考虑每个样本点可能属于多个类别的不确定性。而样本点之间的类别关系则被视为事件，通过D-S证据理论中的证据积累过程，构建了一个互相关矩阵。这个矩阵反映了样本点之间基于类别关系的相似度，从而为后续的聚类分析提供了依据。 在构建互相关矩阵的过程中，作者提出了一个结合点模糊度和模糊贴近度的类别关系表示方法。模糊度衡量了样本点对各个类别的不确定程度，而模糊贴近度则衡量了样本点与类中心的距离，两者结合考虑，可以更全面地反映样本点的类属特性。这种表示方法被设计为证据元的基本概率赋值函数，赋予了证据元合理的可信度。 接下来，利用互相关矩阵，文章构建了样本点间的相似性关系，这是谱聚类算法的基础。谱聚类算法通过对数据的相似性或距离进行转换，将高维数据映射到低维空间，然后根据低维空间的结构进行聚类。这种方法在处理非凸、非线性的数据分布时表现出色，因此在模糊聚类集成中尤为适用。 通过与多种已有的聚类集成方法进行实验对比，结果显示，基于模糊测度和D-S证据理论的模糊聚类集成方法在保持聚类精度的同时，有效地处理了模糊性问题，提高了聚类的稳健性和有效性。其结果表明，这种方法在实际应用中具有较好的性能，特别是在那些包含大量模糊信息的数据集上。 总结来说，这篇论文提出了一种新颖的融合模糊测度与D-S证据理论的聚类集成策略，通过细致的证据处理和相似性评估，改进了模糊聚类的性能，为处理复杂、模糊的数据集提供了有力工具。这对于数据分析、模式识别和机器学习等领域具有重要意义。