文献类型：期刊文章

作　　者：潘兴广[1,2] 王士同[1]

PAN Xing-guang;WANG Shi-tong(Digital Media School,Jiangnan University,Wuxi 214122,China;Engineer Training Center,Guizhou Minzu University,Guiyang 550025,China)

机构地区：[1]江南大学数字媒体学院,江苏无锡214122 [2]贵州民族大学工程实训中心,贵阳550025

出　　处：《控制与决策》

基　　金：国家自然科学基金面上项目(61572236).

年　　份：2021

卷　　号：36

期　　号：11

起止页码：2665-2673

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：对含有不重要特征、冗余特征的数据进行聚类,采用特征缩减模糊聚类(feature reduction fuzzy c-means,FRFCM)算法是有效的.该算法使用特征的均值方差比(mean-to-variance ratio,MVR)度量特征的重要性,删除权重小于阈值的特征,仅保留重要特征进行聚类,以提升算法的性能和速度.但该算法存在以下不足:(1)数据归一化后,特征的MVR值会发生改变,重要特征的MVR值可能会变小,不重要特征的MVR值可能会变大;(2)一些数据的重要特征,其MVR指标未必大;(3)FRFCM算法特征权重分配依赖于初始化,不恰当的初始化会使算法给出错误的权重分配,使得聚类过程中算法会删除重要特征而保留不重要特征,造成FRFCM算法的聚类结果不正确.对此,首先构造边缘峰度度量(marginal kurtosis measuree,MKM)指标来度量特征的重要性;然后基于该指标提出一种新的、具有鲁棒的特征缩减模糊聚类算法.通过在人工数据集和真实数据集上的验证,表明所提出的算法是有效的.

关 键 词：模糊聚类 特征缩减  边缘峰度度量  均值方差比  

分 类 号：TP391]