您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(理学版)》

山东大学学报(理学版) ›› 2016, Vol. 51 ›› Issue (5): 102-105.doi: 10.6040/j.issn.1671-9352.3.2015.105

• • 上一篇    下一篇

基于高斯隶属度的包容性指标模糊聚类算法

翟鹏1,2,李登道3   

  1. 1. 济宁学院计算机科学系, 山东 曲阜 273155;2. 数字出版技术国家重点实验室(筹), 北京 100871;3. 山东科技大学信息学院, 山东 青岛 266590
  • 收稿日期:2015-08-02 出版日期:2016-05-20 发布日期:2016-05-16
  • 作者简介:翟鹏(1978— ),男,硕士,讲师,研究方向网络技术与信息处理.E-mail:zbzx@jnxy.edu.cn
  • 基金资助:
    山东省自然科学基金计划-青年基金项目(ZR2013FQ024)

The fuzzy clustering algorithm based on inclusion index of Gausian membership function

ZHAI Peng1,2, LI Deng-dao3   

  1. 1. Department of Computer Science, University of Jining, Qufu 273155, Shandong, China;
    2. State Key Laboratory of Digital Publishing Technology(Peking University Founder Group Co., Ltd), Beijing 100871, China;
    3. College of Information Science and Engineering, Shandong University of Science and Technolgy, Qingdao 266590, Shandong, China
  • Received:2015-08-02 Online:2016-05-20 Published:2016-05-16

摘要: 基于传统的模糊聚类算法(C-means、FCM),在高斯隶属度函数的基础上给出了包含性指标的定义,提出了基于高斯隶属度的包容性指标模糊聚类算法(fuzzy inclusion-based clustering, FIC)。该方法通过获取高斯隶属度函数的包含性指标,为每个分类确定一个支持距离的半定性矩阵,来保证每个分类到所有数据类的距离和与所有数据类包含度的总和一致。通过UCI中Wine数据集进行了仿真实验,实验结果表明与FCM算法相比较,FIC算法具有更好的有效性和可行性。

关键词: 聚类算法, 隶属度, 包容性指标, 距离

Abstract: Based on traditional fuzzy clustering algorithm, such as Fuzzy algorithm and C-means algorithm, the definition of inclusion index is taken into account the fuzzy clustering algorithm proposed, which is based on Gaussian membership functions. This algorithm ensure that the distance of each classification to another classifications is the same by a semi definite matrix, which preserves the inclusion index of Gausian membership function. The simulation experiment results with the Wine data set of UCI show that, compared with FCM, FIC algorithm has more effectiveness and feasibility.

Key words: clustering algorithm, distance, membership function, inclusion index

中图分类号: 

  • TP311
[1] ZADEH L. Fuzzy sets[J]. Information and Control, 1965, 8(3):338-353.
[2] RUSPINI E H. A new approach to clustering[J]. Information and control, 1969, 15(1):22-32.
[3] BEZDEK J C. Numerical taxonomy with fuzzy sets[J]. Journal of Mathematical Biology, 1974, 1:57-71.
[4] DUNN J C. A fuzzy relative of the isodata process its use in detecting compact well-separated clusters[J].Cybernetics and Systems, 1974, 3:32-57.
[5] 李远成.阴培培, 赵银亮.基于模糊聚类的推测多线程划分算法[[J].计算机学报,2014,37(3):580-592. LI Yuancheng, YIN Peipei, ZHAO Yinliang. A FCM-based thread partitioning algorithm for speculative multithreading[J]. Chinese Journal of Computers, 2014, 37(3):580-592.
[6] MA Ailong, ZHONG Yanfei, ZHANG Liangpei. Adaptive multiobjective memetic fuzzy clustering algorithm for remote sensing imagery[J].IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(8):4202-4217.
[7] Abdul Suleman. A convex semi-nonnegative matrix factorisation approach to fuzzy c-means clustering[J].Fuzzy Sets and Systems, 2015, 270:90-110.
[8] KALYANI S, SASIKALA E, GOPINATH B. Collaborative data processing in WSN Using voronoi fuzzy clustering[J]. International Journal of Computers Communications & Control, 2015, 10(3):348-356.
[9] HU Ling. An approach to evaluating the enterprise strategic crisis management with uncertain linguistic information[J]. Journal of Intelligent & Fuzzy System, 2015, 28:1495-1501.
[1] 徐伟呈,李欣鹏. 单边不完全信息重复博弈中的Cav(u)定理的推广[J]. 山东大学学报(理学版), 2018, 53(4): 42-45.
[2] 李小娟,高强. 次线性期望框架下乘积空间的正则性[J]. 山东大学学报(理学版), 2018, 53(4): 66-75.
[3] 黄栋,徐博,许侃,林鸿飞,杨志豪. 基于词向量和EMD距离的短文本聚类[J]. 山东大学学报(理学版), 2017, 52(7): 66-72.
[4] 朱晓颖,逄世友. 控制数给定的树的最大离心距离和[J]. 山东大学学报(理学版), 2017, 52(2): 30-36.
[5] 岳猛,吴志军,姜军. 云计算中基于可用带宽欧氏距离的LDoS攻击检测方法[J]. 山东大学学报(理学版), 2016, 51(9): 92-100.
[6] 赵斌,何泾沙,张伊璇. 基于信息熵隶属度的决策属性权重确定方法[J]. 山东大学学报(理学版), 2016, 51(3): 86-90.
[7] 刘颖莹,刘培玉,王智昊,李情情,朱振方. 一种基于密度峰值发现的文本聚类算法[J]. 山东大学学报(理学版), 2016, 51(1): 65-70.
[8] 桑乐园, 徐新峰, 张婧, 黄德根. 基于广义Jaccard系数的微博情感新词判定[J]. 山东大学学报(理学版), 2015, 50(07): 71-75.
[9] 孙林, 蔡华. 嵌入曲面的图的点荫度[J]. 山东大学学报(理学版), 2015, 50(02): 38-42.
[10] 林宏康1,2,李豫颖1,2,熊国敏3. 动态数据距离与动态数据几何辨识-恢复[J]. J4, 2012, 47(8): 92-97.
[11] 黄林晟1,邓志鸿1,2,唐世渭1,2,王文清3,陈凌3. 基于编辑距离的中文组织机构名简称-全称匹配算法[J]. J4, 2012, 47(5): 43-48.
[12] 谢维奇1,2,李晓昕1. 层次内P-关系与内P-聚类算法[J]. J4, 2012, 47(2): 123-126.
[13] 蒋盛益1,庞观松2,张建军3. 基于聚类的垃圾邮件识别技术研究[J]. J4, 2011, 46(5): 71-76.
[14] 赵为华1, 冯予2, 李泽安3. 广义二项回归模型的影响诊断[J]. J4, 2011, 46(1): 97-103.
[15] 谢娟英1, 2,张琰1,谢维信2, 3,高新波2. 一种新的密度加权粗糙K-均值聚类算法[J]. J4, 2010, 45(7): 1-6.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!