改进的K-近邻协同模糊C均值算法提升聚类性能

该篇论文主要探讨了针对协同模糊C均值算法(CFC)存在的问题，即协同系数无法充分描述数据子集间的协同关系。传统CFC算法中，协同系数通常是人为设定的，且在整个聚类过程中保持不变，这限制了算法对复杂数据集动态协同关系的理解。为解决这一问题，论文提出了K-近邻估计协同系数的协同模糊C均值算法(βK-CFC)。 在βK-CFC算法中，首先，借鉴模糊C均值(FCM)算法，对每个数据子集计算出隶属度和各自的聚类中心，以便了解数据分布。然后，作者引入了K-近邻的概念，通过计算子集在不同聚类中心周围的密度，构建了一个密度矩阵，这有助于捕捉子集间的局部关系。 接下来，论文的核心创新在于根据密度矩阵的相关性动态调整协同系数。这种变化的协同系数能更好地反映子集间交互作用的强度，当子集间的密度相关性增强时，协同系数也会相应增大，反之则减小。这种自适应的方法使得算法能够更准确地评估和利用子集间的协同效应。 通过这种方式，βK-CFC算法不仅提高了聚类的精度，还能适应数据集的复杂性，使得协同关系的描述更为精确。实验证明，相比于传统的CFC，该算法在描述数据子集间的协同关系以及聚类效果上都有显著提升，为协同模糊聚类提供了更有效的工具。 这篇论文通过结合K-近邻非参数密度估计和动态协同系数调整，革新了协同模糊C均值算法，旨在提升聚类任务中的性能，并为处理具有复杂协同关系的数据集提供了一种新的方法论。