模糊C均值与支持向量机相结合的增强聚类算法

doi:10.3724/SP.J.1087.2013.00991

计算机应用 ›› 2013, Vol. 33 ›› Issue (04): 991-993.DOI: 10.3724/SP.J.1087.2013.00991

模糊C均值与支持向量机相结合的增强聚类算法

胡磊,牛秦洲,陈艳

桂林理工大学信息科学与工程学院，广西桂林 541004

收稿日期:2012-10-23 修回日期:2012-11-18 出版日期:2013-04-01 发布日期:2013-04-23
通讯作者: 胡磊
作者简介:胡磊（1986-）,男，山西太原人，硕士研究生，CCF会员，主要研究方向：制造业信息化、人工智能；牛秦洲（1956-），男，陕西西安人，教授，博士，主要研究方向：制造业信息化、人工智能；陈艳(1987-),女,广西桂林人,硕士研究生,主要研究方向：制造业信息化。
基金资助:
广西科技攻关项目（桂科攻[10100002-2]号）;广西研究生教育创新计划项目（2011105960812M23）;桂林市科学研究与技术开发计划项目（桂林市201101102-2）

Enhanced clustering algorithm based on fuzzy C-means and support vector machine

HU Lei,NIU Qinzhou,CHEN Yan

College of Information Science and Engineering, Guilin University of Technology, Guilin Guangxi 541004, China

Received:2012-10-23 Revised:2012-11-18 Online:2013-04-01 Published:2013-04-23
Contact: HU Lei

摘要/Abstract

摘要： 针对传统重复聚类算法精度不高、消耗资源较大的缺点，提出了一种模糊C均值(FCM)与支持向量机(SVM)相结合的增强聚类算法。该算法思路是先将实例数据集利用FCM粗分为C类，然后使用SVM再对每一类进行细化分类，实现中提出了基于完全二叉树的决策级联式SVM模型，以便达到增强聚类的目的。针对使用FCM迭代聚类的过程中有可能会出现新的特征使原有的聚类失去平衡性的问题，提出了使用划分的思想对数据集进行预处理来消除这种不利影响。利用鸢尾属植物真实数据集对相关算法进行实验对比分析，结果表明该算法能够克服精度低的缺点，并节约了系统资源，可以提高聚类的质量。

关键词: 模糊C均值, 支持向量机, 增强聚类, 完全二叉树, 量化指标评价

Abstract: To improve the accuracy and efficiency of clustering algorithm, this paper proposed an enhanced algorithm based on Fuzzy C-Means (FCM) and Support Vector Machine (SVM). The sets of data were clustered into c kinds by FCM, and then they were classified by SVM in detail. The cascade SVM model based on fully binary decision tree was constructed, so as to enhance clustering. In order to solve the problem of losing balance in making new features, the idea of using division in a set of data to eliminate the bad effect was put forward. Some correlation algorithms were compared on Iris data set. The experimental results show that the algorithm can improve the precision, save the system resources and enhance the efficiency of clustering.

Key words: Fuzzy C-Means（FCM）, Support Vector Machine (SVM), enhanced clustering, fully binary tree, quantitative index evaluation

中图分类号:

TP301.6

胡磊牛秦洲陈艳. 模糊C均值与支持向量机相结合的增强聚类算法[J]. 计算机应用, 2013, 33(04): 991-993.

HU Lei NIU Qinzhou CHEN Yan. Enhanced clustering algorithm based on fuzzy C-means and support vector machine[J]. Journal of Computer Applications, 2013, 33(04): 991-993.

参考文献

［1］孙吉贵，刘杰，赵连宇. 聚类算法研究［J］. 软件学报，2008，19(1) ：48-61.

［2］PAKHIRA M K, BANDYOPADHYAY S, MAULIK U. Validity index for crisp and fuzzy clusters［J］ . Pattern Recognition, 2004, 37(1): 487-501.

［3］陈磊，牛秦洲. FCM迭代增强与划分混合聚类算法［J］. 计算机工程与应用，2011，47(34) ：158-160.

［4］邓乃扬，田英杰. 数据挖掘中的新方法支持向量机［M］ . 北京：科学出版社，2004 ：164-220.

［5］顾亚祥,丁世飞. 支持向量机研究进展［J］ . 计算机科学，2011, 38(2): 14-17.

［6］曹巍，赵英凯，高世伟. 基于模糊核聚类的多类支持向量机［J］. 化工学报，2010，61(2) ：420-424.

［7］神显豪. 基于支持向量回归机的传感器故障诊断方法研究［J］. 机床与液压，2010, 38(21): 134-136.

［8］陈增照，杨杨，何秀玲，等. 基于核聚类的SVM多类分类方法［J］. 计算机应用，2007，27(1) ：47-49.

［9］贾燕花，徐蔚鸿. K-means聚类和支持向量机结合的文本分类研究［J］. 计算机工程与应用，2010，46(22) ：172-174.

［10］牛强. 基于支持向量机的WEB文本分类方法［J］. 微电子学与计算机, 2006, 23(9): 102-104.

［11］刘丽珍，贺海军，陆玉昌，等. 支持向量机在网页信息分类中的应用研究［J］. 小型微型计算机系统, 2007，28(2): 337-340.

［12］王晓路. 基于模糊聚类和SVM的瓦斯涌出量预测［J］. 煤炭技术, 2011, 30(9): 23-25.

［13］陈电波, 徐福仓, 吴敏. 基于聚类和支持向量机的话务量预测模型［J］. 控制工程, 2009, 16(2): 10-13.

［14］UCI. UCI machine learning databases repository ［D/OL］ . University of California-Irvine［2010-05］ . ftp://ftp:Ics.edu/pub/machine-learning-databases.

［15］FROSSYNIOTIS D, LIKAS A, STAFYLOPATIS A. A clustering method based on boosting［J］. Pattern Recognition Letters, 2004, 25(1): 641-654.

［16］吴广潮，闫丽. 基于模糊分割和邻近对的支持向量机分类器［J］. 计算机应用， 2008，28(1) ：131-133.

[1]	石雪松, 李宪华, 孙青, 宋韬. 基于人工蜂群与模糊C均值的自适应小波变换的噪声图像分割[J]. 计算机应用, 2021, 41(8): 2312-2317.
[2]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[3]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[4]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[5]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.
[6]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[7]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[8]	孙建军, 徐岩. 基于加权改进模糊C均值聚类的欠定混合矩阵估计[J]. 计算机应用, 2020, 40(6): 1769-1773.
[9]	王燕, 何宏科. 基于邻域信息的改进模糊c均值脑MRI分割[J]. 计算机应用, 2020, 40(4): 1196-1201.
[10]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[11]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.
[12]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[13]	李卉, 杨志霞. 基于Rescaled Hinge损失函数的多子支持向量机[J]. 计算机应用, 2020, 40(11): 3139-3145.
[14]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[15]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.

模糊C均值与支持向量机相结合的增强聚类算法

Enhanced clustering algorithm based on fuzzy C-means and support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics