基于改进核模糊C均值类间极大化聚类算法

摘要 传统的核聚类仅考虑了类内元素的关系而忽略了类间的关系，对边界模糊或边界存在噪声点的数据集进行聚类分析时，会造成边界点的误分问题。为解决上述问题，在核模糊C均值（KFCM）聚类算法的基础上提出了一种基于改进核模糊C均值类间极大化聚类（MKFCM）算法。该算法考虑了类内元素和类间元素的联系，引入了高维特征空间的类间极大惩罚项和调控因子，拉大类中心间的距离，使得边界处的样本得到了较好的划分。在各模拟数据集的实验中，该算法在类中心的偏移距离相对其他算法均有明显降低。在人造高斯数据集的实验中，该算法的精度（ACC）、归一化互信息（NMI）、芮氏指标（RI）指标分别提升至0.9132，0.7575，0.9138