控制与决策

作者：马福民,孙静勇,张腾飞

单位：南京财经大学 信息工程学院,南京 210023,,南京财经大学 信息工程学院,南京 210023,,南京邮电大学 自动化学院、人工智能学院,南京 210023,

关键词：粗糙K-means聚类;增量聚类;邻域归属信息;类簇结构

基金：国家自然科学基金项目(61973151,62073173)；江苏省自然科学基金项目(BK20191406,BK20191376).

在原有数据聚类结果的基础上,如何对新增数据进行归属度量分析是提高增量式聚类质量的关键,现有增量式聚类算法更多地是考虑新增数据的位置分布,忽略其邻域数据点的归属信息.在粗糙K-means聚类算法的基础上,针对边界区域新增数据点的不确定性信息处理,提出一种基于邻域归属信息的粗糙K-means增量式聚类算法.该算法综合考虑边界区域新增数据样本的位置分布及其邻域数据点的类簇归属信息,使得新增数据点与各类簇的归属度量更为合理;此外,在增量式聚类过程中,根据新增数据点所导致的类簇结构的变化,对类簇进行相应的合并或分裂操作,使类簇划分可以自适应调整.在人工数据集和UCI标准数据集上的对比实验结果验证了算法的有效性.

来源：2022年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第11期