论文部分内容阅读
模糊聚类是近年来使用的一类性能较为优越的聚类算法，但该类算法对初始聚类中心敏感且对边界样本的聚类结果不够准确。为了提高聚类准确性、稳定性，该文通过联合多个模糊聚类结果，提出一种距离决策下的模糊聚类集成模型。首先，利用模糊C均值(FCM)算法对数据样本进行多次聚类，得到相应的隶属度矩阵。然后，提出一种新的距离决策方法，充分利用得到的隶属度关系构建一个累积距离矩阵。最后，将距离矩阵引入密度峰值(DP)算法中，利用改进的DP算法进行聚类集成以获取最终聚类结果。在UCI机器学习库中选择9个数据集进行测试，实验结果表明，相比经典的聚类集成模型，该文提出的聚类集成模型效果更佳。