模糊c均值聚类.docx

《模糊c均值聚类.docx》由会员分享，可在线阅读，更多相关《模糊c均值聚类.docx（5页珍藏版）》请在第一文库网上搜索。

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相像度最大，而不同簇之间的相像度最小。模糊C均值算法是一般C均值算法的改进，一般C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。在介绍FCM详细算法之前我们先介绍一些模糊集合的基本学问。6.1.1 模糊集基本学问刊首先说明隶属度函数的概念。隶属度函数是表示一个对象x隶属于集合A的程度的函数，通常记做Ha(x),其自变量范围是全部可能属于集合A的对象(即集合A所在空间中的全部点),取值范围是0,1,即()V= (x)1。对于m,它是一个掌握算法的柔性的参数,假如m过大，则聚类效果会很次，而假如m过小则算法会接近HCM聚类算法。算法的输出是C个聚类中心点向量和C*N的一个模糊划分矩阵，这个矩阵表示的是每个样本点属于每个类的隶属度。依据这个划分矩阵依据模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类。聚类中心表示的是每个类的平均特征，可以认为是这个类的代表点。从算法的推导过程中我们不难看出，算法对于满意正态分布的数据聚类效果会很好，此外,算法对孤立点是敏感的。