摘要
针对模糊C均值(FCM)算法的缺陷,提出了一种改进的FCM算法。将物理学中的信息熵概念引入聚类分析中,用熵值法度量样本的各种属性对分类不同程度的影响,并用模糊划分系数FC(μ)和平均模糊熵HC(μ)对改进后的算法性能进行了评价。仿真实验结果表明,改进后算法的FC(μ)和HC(μ)分别为0.919和-0.096,改进后的FCM算法在实际的聚类分析中能取得更好的分类效果。
学科与关键词
关键词
模糊C均值算法改进信息熵模糊划分系数平均模糊熵 Fuzzy C-Means algorithmimproveinformation entropyfuzzy partition coefficientaverage fuzzy entropy
- 改进的高效模糊C均值聚类算法丁旭晨; 林锦贤微型机与应用, 2013, (23): 74.
- 改进的FCM算法在医学中的应用徐丽佳; 唐德玉电脑知识与技术, 2012, (03): 668.
- 一种基于属性空间相似性的模糊聚类算法施伟锋; 卓金宝; 兰莹电子与信息学报, 2019, (11): 2722-2728.
