基于Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中，KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数，对数据噪声敏感会降低其性能，且类边缘数据点相互影响会导致分类错误。针对这些问题，该文提出一种改进的C-KFCM模糊算法，先用Canopy粗聚类算法给出数据集大致的分类数，接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数，在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值，使数据中的噪声对算法的影响减小或消失。实验结果表明，改进的C-KFCM算法能自动确定分类数，并且与原KFCM算法相比，C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。