粒子群优化模糊文本聚类算法的研究与应用

"基于粒子群优化的模糊文本聚类研究，旨在解决传统模糊聚类算法对输入顺序和初始点敏感的问题，通过应用粒子群优化技术来寻找更优的聚类中心，以提高聚类效果。该研究由柴瑞敏、王月和王飞共同完成，分别来自辽宁工程技术大学和河南工业大学。" 本文主要探讨的是在海量文本信息背景下，如何有效地进行文本聚类。文本聚类是一种将文本数据组织成多个类别，使得同类文本之间具有高相似度，不同类别间差异明显的技术。传统的聚类方法如Crisp Partition，将每个样本严格分配到单一类别，但在实际应用中，由于事物的复杂性，更倾向于使用模糊聚类，允许样本以不同的隶属度同时属于多个类别。 模糊C均值（FCM）聚类是模糊聚类的一种常见方法，由J.C.Bezdek和Dunn等人提出，但FCM算法存在对初始中心点敏感的缺点，可能导致聚类结果不稳定。针对这一问题，该研究提出了一个改进的模糊聚类算法，结合粒子群优化（PSO）策略来寻找最佳的初始聚类中心。粒子群优化是一种全局优化算法，能够搜索到全局最优解，因此可以有效地缓解FCM对输入顺序和初始点的依赖。 在新算法中，首先利用PSO找到更合理的聚类中心，然后应用改进后的模糊聚类算法处理样本不均衡问题，从而优化聚类结果。通过实验验证，该算法在测试数据集上的聚类效果优于传统方法，表现出更好的鲁棒性和准确性。 此外，文章还回顾了模糊聚类的发展历程，包括模糊集合论的起源、Fuzzy ISODATA聚类方法的提出以及FCM方法的演变。这些背景知识为理解改进算法提供了基础。这项研究为文本聚类提供了一个新的视角，即利用进化算法（如PSO）改进模糊聚类算法，以适应大规模文本数据的处理需求。