[目的]针对模糊聚类任务中模糊化参数难以预设以及二型模糊集在解模糊阶段计算量大的问题,本文旨在提供一种高效且稳健的二型模糊聚类方法,以兼顾计算速度与聚类准确性.[方法]提出一种基于数字特征的二型模糊聚类模型(characteristic ba...[目的]针对模糊聚类任务中模糊化参数难以预设以及二型模糊集在解模糊阶段计算量大的问题,本文旨在提供一种高效且稳健的二型模糊聚类方法,以兼顾计算速度与聚类准确性.[方法]提出一种基于数字特征的二型模糊聚类模型(characteristic based type 2 FCM,CBT2FCM).该方法在目标函数中同时引入样本与簇中心的距离以及二型模糊集的数字特征,实现类簇中心与二型模糊隶属度的联合优化.算法在迭代过程中仅需更新数字特征,无需执行Karnik-Mendel解模糊过程,从而显著降低计算复杂度并提升抗噪性能.[结果]本文方法基本不受噪声影响:在公开数据集WDBC上,无监督的情况下,本文方法的聚类准确率达72.84%;在IMDb电影评论数据集上,当噪声率从0.1增加到1时,本文的聚类准确率从71.67%增加到72.05%,高于次优方法FCM的69.65%,运行时间从2.18 s增加到3.63 s,仅次于最优方法FCM的2.37 s,展现出良好的稳定性与计算效率.[结论]在公开数据集及电影分类数据集上的实验结果表明,该方法在聚类准确率、噪声容忍度及运行时间方面均优于传统聚类算法,具有通用性与有效性.展开更多
文摘[目的]针对模糊聚类任务中模糊化参数难以预设以及二型模糊集在解模糊阶段计算量大的问题,本文旨在提供一种高效且稳健的二型模糊聚类方法,以兼顾计算速度与聚类准确性.[方法]提出一种基于数字特征的二型模糊聚类模型(characteristic based type 2 FCM,CBT2FCM).该方法在目标函数中同时引入样本与簇中心的距离以及二型模糊集的数字特征,实现类簇中心与二型模糊隶属度的联合优化.算法在迭代过程中仅需更新数字特征,无需执行Karnik-Mendel解模糊过程,从而显著降低计算复杂度并提升抗噪性能.[结果]本文方法基本不受噪声影响:在公开数据集WDBC上,无监督的情况下,本文方法的聚类准确率达72.84%;在IMDb电影评论数据集上,当噪声率从0.1增加到1时,本文的聚类准确率从71.67%增加到72.05%,高于次优方法FCM的69.65%,运行时间从2.18 s增加到3.63 s,仅次于最优方法FCM的2.37 s,展现出良好的稳定性与计算效率.[结论]在公开数据集及电影分类数据集上的实验结果表明,该方法在聚类准确率、噪声容忍度及运行时间方面均优于传统聚类算法,具有通用性与有效性.
