[发明专利]基于Gauss诱导核的模糊c均值聚类算法

权利要求书

1.基于Gauss诱导核模糊c均值聚类的鸢尾花分类方法，包括如下步骤：

步骤1：选取Iris数据集作为样本集合，数据集中的样本数据有三类，样本属性是四维的，对样本集合依目标函数J_GIKFCM最小化原则进行最优化划分；

步骤2：初始化模糊隶属度和初始化聚类中心；

步骤3：按Gauss诱导核聚类算法中的迭代计算公式对模糊隶属度和聚类中心进行参数估计；

步骤4：获得优化的目标函数，基于优化的目标函数完成鸢尾花分类；

所述步骤2具体包括：

步骤2-1：用值在0，1间的随机数初始化第j个样本x_j隶属于第i类的模糊隶属度定义迭代次数为λ，最大迭代次数为λ_max；初始化λ＝1，则第λ次迭代的隶属矩阵为U^(λ)，第λ次迭代的聚类中心为v_i^(λ)，聚类中心矩阵为V^(λ)＝{v_i^(λ),i＝1,...,c}；

步骤2-2：用式(7)计算第λ次迭代的c个聚类中心v_i^(λ)，i＝1,...,c；

式(7)中，K_G表示高斯核函数，表示第λ-1次迭代时第j个样本x_j隶属于第i类的模糊隶属度，i＝1,...,c，j＝1,...,n，n是样本的个数；m为模糊指标，m＞1；

步骤2-3：根据式(8)计算第λ次迭代的核模糊隶属度u_Kij^(λ)

在式(8)中，v_i^(λ)表示第λ次迭代时第i类的聚类中心。

2.根据权利要求1所述的基于Gauss诱导核模糊c均值聚类的鸢尾花分类方法，其特征在于：所述步骤1具体包括：令X＝{x₁,x₂,…,x_j,…,x_n}表示给定的样本集合，x_j表示第j个样本；1≤j≤n，n是样本的个数；对样本集合X进行最优化划分，使得目标函数值J_GIKFCM最小。