论文部分内容阅读
不完全确定性(又称半确定性、半隶属性等)是客观世界中事物特征性的重要规律之一。模糊聚类是DSS中用以解决半结构化问题的一个重要方法,在模式识别、特征因子选取、因子递阶分类、模糊预测、模糊控制等半结构化问题处理中有着很多重要应用。
基于目标函数的模糊聚类算法(Fuzzyc-means)得到了样本属于各个类别的不确定程度,建立起了样本对于类别的不确定性描述,更准确更科学地反映客观世界的不确定现象,并将聚类问题转化为优化问题,这样易于与经典数学的非线性规划领域联系起来,可用现代数学方法来求解,容易进行严密的理论分析,并且算法的求解过程比较容易用计算机来实现,因而得到深入的研究和广泛的应用,成为目前国内外模糊聚类算法中研究的热点。但它也存在着收敛速度慢,没有考虑不同样本对聚类结果有不同影响,也没有考虑样本不同维特征对聚类中心可能有不同影响等问题。
本文在模糊聚类神经网络模型基础上引入加速算子(集中算子、扩张算子)来加速算法的收敛速度,提高了算法的效率;同时结合样本点密度理论和遗传算法,提出了样本加权聚类算法和维特征加权聚类算法来提高算法的精确度;并提出了基于模糊聚类分析的增量聚类算法。最后用MATLAB对上述改进算法进行仿真验证,证明改进后的算法的有效性和实用性。