控制与决策

作者：潘兴广,王士同

单位：江南大学 数字媒体学院,江苏 无锡 214122;贵州民族大学 工程实训中心,贵阳 550025,,江南大学 数字媒体学院,江苏 无锡 214122,

关键词：模糊聚类;特征缩减;边缘峰度度量;均值方差比

基金：国家自然科学基金面上项目(61572236).

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.

来源：2021年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第11期