改进万有引力算法结合模糊c-均值解决模糊聚类问题
需积分: 5 168 浏览量
更新于2024-08-11
收藏 368KB PDF 举报
"这篇文章是2011年发表在《智能系统学报》上的一篇学术论文,由谷文祥、郭丽萍和殷明浩合作完成。文章探讨了使用模糊c-均值算法(FCM)在解决模糊聚类问题时的局限性,并提出了一种改进的万有引力搜索算法以及模糊万有引力搜索算法(FG-SA)。作者进一步结合FCM和FG-SA,提出了FGSAFCM新算法,以克服FCM对初始值敏感和易陷入局部最优的问题。通过目标函数和有效性评价函数评估,并在10个经典数据集上进行测试,新算法显示出了比单一FCM更高的准确性和鲁棒性。"
文章主要涉及以下知识点:
1. **模糊聚类**: 模糊聚类是一种比传统K-Means等硬聚类更灵活的聚类方法,它允许数据点同时属于多个类别,用以处理边界不清晰和数据分布模糊的情况。
2. **模糊c-均值算法(FCM)**: FCM是模糊聚类中的经典算法,通过迭代优化分配给每个数据点的隶属度,使得数据点与所属类别的中心之间的距离平方和最小。然而,FCM对初始聚类中心的选择非常敏感,可能导致收敛到局部最优而非全局最优。
3. **万有引力搜索算法(Gravitational Search Algorithm, GSA)**: GSA是一种基于牛顿万有引力定律的全局优化算法,通过模拟物体间的引力和斥力进行搜索,寻找问题的最优解。在本文中,作者对其进行了改进,增加了速度更新策略,扩大了搜索范围。
4. **模糊万有引力搜索算法(FG-SA)**: 作者将模糊概念引入到GSA中,创建了FG-SA,旨在利用模糊理论提高聚类的灵活性和准确性。
5. **FGSAFCM算法**: 这是文章提出的新算法,结合了FG-SA和FCM的优点。通过FG-SA的全局搜索能力和FCM的模糊聚类特性,FGSAFCM可以避免FCM的初始值敏感性,提高聚类效果。
6. **实验与评价**: 为了验证新算法的有效性,作者选取了10个经典数据集进行测试,使用目标函数和有效性评价函数(如轮廓系数等)进行性能评估,结果显示FGSAFCM在准确性和鲁棒性方面优于传统的FCM算法。
这篇论文在解决模糊聚类问题上做出了创新性的贡献,通过结合和改进两种不同的优化算法,提高了聚类算法的性能和可靠性。这对于数据挖掘、模式识别和机器学习等领域具有重要的理论与实践意义。
2019-09-07 上传
2022-07-04 上传
2023-04-24 上传
2023-06-10 上传
2023-04-24 上传
2023-10-26 上传
2023-04-23 上传
2023-04-24 上传
2023-06-01 上传
weixin_38639642
- 粉丝: 9
- 资源: 894
最新资源
- zlib-1.2.12压缩包解析与技术要点
- 微信小程序滑动选项卡源码模版发布
- Unity虚拟人物唇同步插件Oculus Lipsync介绍
- Nginx 1.18.0版本WinSW自动安装与管理指南
- Java Swing和JDBC实现的ATM系统源码解析
- 掌握Spark Streaming与Maven集成的分布式大数据处理
- 深入学习推荐系统:教程、案例与项目实践
- Web开发者必备的取色工具软件介绍
- C语言实现李春葆数据结构实验程序
- 超市管理系统开发:asp+SQL Server 2005实战
- Redis伪集群搭建教程与实践
- 掌握网络活动细节:Wireshark v3.6.3网络嗅探工具详解
- 全面掌握美赛:建模、分析与编程实现教程
- Java图书馆系统完整项目源码及SQL文件解析
- PCtoLCD2002软件:高效图片和字符取模转换
- Java开发的体育赛事在线购票系统源码分析