模糊c均值聚類算法及實(shí)現(xiàn)-資料下載頁
2025-06-27 05:15本頁面
【正文】 8]：首先，模糊c 均值泛函Jm 仍是傳統(tǒng)的硬c 均值泛函J1 的自然推廣。J1 是一個(gè)應(yīng)用很廣泛的聚類準(zhǔn)則，對其在理論上的研究已經(jīng)相當(dāng)?shù)耐晟?，這就為Jm 的研究提供了良好的條件。其次，從數(shù)學(xué)上看，Jm與Rs的希爾伯特空間結(jié)構(gòu)(正交投影和均方逼近理論) 有密切的關(guān)聯(lián)，因此Jm 比其他泛函有更深厚的數(shù)學(xué)基礎(chǔ)。最后，F(xiàn)CM 聚類算法不僅在許多鄰域獲得了非常成功的應(yīng)用，而且以該算法為基礎(chǔ)，又提出基于其他原型的模糊聚類算法，形成了一大批FCM類型的算法，比如模糊c線( FCL) ，模糊c面(FCP) ，模糊c殼(FCS) 等聚類算法，分別實(shí)現(xiàn)了對呈線狀、超平面狀和“薄殼”狀結(jié)構(gòu)模式子集(或聚類) 的檢測。4 結(jié)語 模糊c均值算法因設(shè)計(jì)簡單，解決問題范圍廣，易于應(yīng)用計(jì)算機(jī)實(shí)現(xiàn)等特點(diǎn)受到了越來越多人的關(guān)注，并應(yīng)用于各個(gè)領(lǐng)域。但是，自身仍存在的諸多問題，例如強(qiáng)烈依賴初始化數(shù)據(jù)的好壞和容易陷入局部鞍點(diǎn)等，仍然需要進(jìn)一步的研究。參考文獻(xiàn)：[1] A K Jain，M N Murty，P J Flynn. Data Clustering：A Review，ACM Computing Surveys[J]，1999，31(3)：264323.[2] Spragins J. Learning without a teacher [J ].IEEE Transactions of Information Theory ，2005 ，23 (6) ：223 230.[3] Babusk R. FUZZYAND NEURAL CONTROL[M] . Netherlands：Delft University of Technology ，2001.[4] Theodoridis Recongnition [M].Second ：Elsevier Scinece ，2003.[5] [J].模糊系統(tǒng)與數(shù)學(xué)，2005，19（1）：143148[6] 朱劍英，應(yīng)用模糊數(shù)學(xué)方法的若干關(guān)鍵問題及處理方法[J].模糊系統(tǒng)與數(shù)學(xué)，1992，11（2）：5763[7] [M].西安：西安電子科學(xué)出版社，2004[8] 劉蕊潔，張金波，[J].重慶工學(xué)院學(xué)報(bào)，2007211
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1