论文部分内容阅读
传统核可能性C均值（KPCM）算法仅考虑类内的紧密性而忽略了类间的距离关系，在对边界模糊的数据进行聚类分析时，会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题，在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ，构造了全新的目标函数，称为极大中心间隔的核可能性C均值（MKPCM）聚类算法。该算法通过类间极大惩罚项使类间距离极大化，并利用调控因子λ合理控制类间距，较好地避免了类中心间距离小或重合的现象。通过大量的实验证明，算法对于边界模糊的数据聚类效果优于传统的聚类算法；在