多路径高斯核模糊C均值聚类算法

计算机工程与科学

多路径高斯核模糊C均值聚类算法

文传军1，汪庆淼2

(1.常州工学院数理与化工学院，江苏常州 213002;2.苏州大学计算机学院，江苏苏州 215021)

收稿日期:2016-08-22 修回日期:2017-01-03 出版日期:2018-05-25 发布日期:2018-05-25
基金资助:
国家自然科学基金(61170126)；常州工学院校级课题（YN1305）

A multi-path Gaussian kernel

fuzzy C means clustering algorithm

WEN Chuan-jun1,WANG Qing-miao2

（1.School of Mathematical Sciences and Chemical Engineering,Changzhou Institute of Technology,Changzhou 213002;

2.School of Computer Science and Technology,Soochow University,Suzhou 215021,China）

Received:2016-08-22 Revised:2017-01-03 Online:2018-05-25 Published:2018-05-25

摘要/Abstract

摘要：

聚类算法单一迭代路径限制了参数优值的搜索。提出一种多路径高斯核模糊C均值聚类算法（MGKFCMs），MGKFCMs算法首先取核目标函数及模糊隶属度函数中的核函数为高斯核函数；然后利用梯度法得到聚类中心迭代公式，并基于该迭代公式和粒子群算法作聚类中心的并行参数迭代，在每一次聚类迭代时，选择聚类目标函数值小的路径作为参数迭代最终路径。对比分析了MGKFCMs算法的相关性质，通过仿真实验验证了所提算法的有效性。

关键词: 核方法, 模糊聚类, 高斯核, 聚类中心, 多路径迭代

Abstract:

The single iteration path of the clustering algorithm limits the search path of the parameter’s optimal value. In this paper, a multi-path Gaussian kernel fuzzy c-means clustering method is proposed and named MGKFCMs. Firstly, MGKFCMs takes the nuclear objective function and the fuzzy membership degree function in the kernel function as the Gaussian kernel function. Secondly, the gradient method is used to get the iterative formula of the clustering center. Based on this iterative formula and particle swarm optimization algorithm, the parameters of the clustering center are calculated iteratively in parallel. In every iteration of clustering, a path with small clustering objective function value is selected as the final path of parameter iteration. The correlation property of MGKFCMs is analyzed, and the convergence of the algorithm is studied. Simulation results show that the proposed algorithm is effective.

Key words: kernel method, fuzzy clustering, Gauss kernel, clustering center, multi-route iteration

文传军1，汪庆淼2. 多路径高斯核模糊C均值聚类算法[J]. 计算机工程与科学.

WEN Chuan-jun1,WANG Qing-miao2.

A multi-path Gaussian kernel

fuzzy C means clustering algorithm

[J]. Computer Engineering & Science.

[1]	谢斌, 李燕伟, 杨舒敏, 徐燕, 王冠超. 结合图像分解和自稀疏模糊聚类的情感颜色迁移[J]. 计算机工程与科学, 2025, 47(3): 513-523.
[2]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(4): 665-673.
[3]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[4]	任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学, 2019, 41(5): 858-864.
[5]	邵俊健，王士同. 高维数据的增量式聚类算法的距离度量选择研究[J]. 计算机工程与科学, 2019, 41(2): 214-223.
[6]	谢修娟1,李香菊1，莫凌飞2. 基于改进K-means算法的微博舆情分析研究[J]. 计算机工程与科学, 2018, 40(1): 155-158.
[7]	刘美玲1,2，黄名选3，汤卫东1. 基于离散量优化初始聚类中心的k-means算法[J]. 计算机工程与科学, 2017, 39(6): 1164-1170.
[8]	赵佳，王士同. 创意FCM算法[J]. 计算机工程与科学, 2017, 39(2): 385-392.
[9]	胡瑗1，夏利民1，王嘉1,2. 基于轨迹分析的行人异常行为识别[J]. 计算机工程与科学, 2017, 39(11): 2054-2059.
[10]	文传军1，汪庆淼2. 广义多变量模糊C均值聚类算法[J]. 计算机工程与科学, 2017, 39(11): 2153-2160.
[11]	刘汉强,郑朋. 局部搜索自适应核模糊聚类方法[J]. 计算机工程与科学, 2016, 38(8): 1735-1740.
[12]	孙寿伟1,钱鹏江1,胡凌志2,苏冠豪3,Raymond F. Muzic,Jr3. 迁移模糊聚类在医学PET/MRI快速衰减校正中的应用[J]. J4, 2016, 38(4): 775-784.
[13]	白璘，惠萌. 基于改进最小噪声分离变换的特征提取与分类[J]. J4, 2015, 37(7): 1344-1348.
[14]	齐朗晔1,2,3,张重阳1,2,何成东3. 基于多特征组合的交通标识识别[J]. J4, 2015, 37(4): 776-782.
[15]	黄卫春，刘建林,熊李艳. 基于样本-特征加权的可能性模糊核聚类算法[J]. J4, 2014, 36(1): 169-175.