算法原理 下列目标函数:
其中, m 是大于1的实数,uij 是xi 属于类别 j隶属度, xi 第i个测量到的d维数据, cj 是类j的聚类中心,||*|| 表示任一测量数据与聚类 中心的相似度。 Fuzzy partitioning is 通过下列两式的更新迭代来使得上述目标函数达到极小:
当 算法由下列步骤组成:
说明 对象与类别的隶属关系。 从图中可以很容易分辨出两类数据,分别表示为‘A’ and ‘B’. 利用前述的k-means 算法,每个数据关联一个特定的质心,隶属度函数 如下所示: 利用FCM 算法,同一个数据并不单独属于一个分类,而是可以出现在中间。在这个例子中,隶属函数变得更加平滑,表明每个数据 可能属于几个分类。 上图中,红色点表示的数据更可能属于类别B,而不是A, ‘m’ 的值0.2表明了数据对A的隶属程度。现在,不用图表示,我们引入 一个矩阵,其元素取自隶属函数:
(a) (b) 矩阵的行数和列数取决于数据和类别的个数,确切的说,行数表示数据个数,列数表示类别个数,矩阵元素表示为 uij. 分类,其他属性表示如下: 参考文献
|
Fuzzy c-means (FCM)聚类算法
原文作者:聚类算法
原文地址: https://blog.csdn.net/chl033/article/details/6112715
本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
原文地址: https://blog.csdn.net/chl033/article/details/6112715
本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。