检索结果

Select

1. 迭代直觉模糊 K-modes算法

陈育丹, 高翠芳, 沈莞蔷, 殷萍

《计算机应用》唯一官方网站 2022, 42 (2): 375-381. DOI: 10.11772/j.issn.1001-9081.2021030383

摘要（376）

HTML （25）

PDF （581KB）（137）

直觉模糊K-modes（IFKM）算法在聚类过程中采用简单0-1匹配相似性度量，既无法有效刻画类内数据对象之间的相似性，也未体现不同属性在聚类过程中的贡献程度；此外，IFKM算法在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别，没有充分发挥直觉模糊思想的作用。为了解决这两个问题，提出一种迭代IFKM （IIFKM）算法。首先，基于直觉模糊熵（IFE）与直觉模糊集（IFS）定义了一种加权的直觉模糊隶属度相似性度量；其次，将直觉模糊隶属度矩阵作为迭代信息贯穿于整个聚类过程，使算法中的直觉模糊思想得到充分体现。在UCI数据库的5个数据集上进行的实验结果表明，与IFKM算法相比，IIFKM算法在分类正确率和召回率方面提升了7%~11%，在分类精度方面也有一定提升。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于清晰半径的模糊点二次聚类算法

高翠芳胡权

计算机应用 2013, 33 (02): 547-582. DOI: 10.3724/SP.J.1087.2013.00547

摘要（918）

PDF （597KB）（440）

针对模糊C-均值(FCM)聚类算法在模糊边界上容易出现划分错误的问题，提出一种对模糊点进行二次处理的改进算法。该算法以各类中的数据分布密度为依据，首先利用清晰点构成超球体中心区域，然后基于中心区域的清晰半径定义一种新的相似性距离，并利用该距离对模糊点的隶属度进行二次计算，重新确定其类别归属。实验结果显示，改进算法能有效纠正分类错误，提高模糊点的清晰度，在密度差异较大的数据集上具有一定的应用潜力。

相关文章 | 多维度评价

Select

3. 改进微分进化算法的半监督模糊聚类

张松顺李朝锋吴小俊高翠芳

计算机应用

摘要（1492）

PDF （528KB）（874）

通过对已标示和未标示数据的学习和分类，提出一种改进微分进化算法的半监督模糊聚类。先从大量的数据中选取一小部分进行标记，然后利用标记数据来指导进化过程，实现对未标记数据的分类。通过参考粒子群算法惯性权重思想，引入惯性加权系数，在计算初期能够维持个体的多样性，后期能够加快算法的收敛速度，有效提高了算法的性能。遥感图像数据实验结果显示该方法可以提高分类精度。