[发明专利]一种最小方差优化初始聚类中心的模糊C均值聚类方法

权利要求书

1.一种最小方差优化初始聚类中心的模糊C均值聚类方法，其特征在于，包括以下步骤：

步骤S1：对输入数据集与样本点的距离关系进行聚类；

步骤S2：将聚类分析方法用于对目标数据集聚类分析得到聚类标签；

步骤S3：聚类分析后得到的聚类标签与原始标签依据评价指标进行性能评价。

2.根据权利要求1所述的一种最小方差优化初始聚类中心的模糊C均值聚类方法，其特征在于，所述步骤S1中，输入的数据集采用人工模拟数据集和UCI数据集进行输入，聚类类别数根据人工模拟数据集和UCI数据集确定。

3.根据权利要求2所述的一种最小方差优化初始聚类中心的模糊C均值聚类方法，其特征在于，所述步骤S2中，通过目标数据集聚类分析，对目标数据集和像素点设定聚类标签，聚类标签的设定步骤包括：

步骤S21：根据目标数据集中样本的物理位置来设定标签，在人工模拟数据集和UCI数据集中设置标签数；

步骤S22：将FCM算法用于设定好标签的数据组成的数据集中，得到聚类分析后的隶属度矩阵U和聚类中心V。

4.根据权利要求3所述的一种最小方差优化初始聚类中心的模糊C均值聚类方法，其特征在于，所述步骤S22具体包括如下步骤：

步骤S221：首先确定聚类类别数c；

步骤S222：设置最大迭代次数Maxt以及最大误差阈值ε；

步骤S223：设定由FCM算法聚类分析得到的隶属度矩阵U，以及聚类中心V，作为FCM算法的初始隶属度和聚类中心，此时设初始迭代次数t＝1；

步骤S224：通过迭代优化公式更新隶属度矩阵和聚类中心矩阵。

5.根据权利要求4所述的一种最小方差优化初始聚类中心的模糊C均值聚类方法，其特征在于，所述步骤S224中，所述迭代优化公式为：

uij=1Σk=1c(dij(xj,vi)djk(xk,vj))2/(m-1)]]>

vi=Σj=1n(uij)mxjΣj=1n(uij)m]]>

u为隶属度矩阵，d为模糊度矩阵，v为聚类中心，m为模糊指数，x为样本方差；

直至当t达到最大迭代次数Max_t或者当||U^(t+1)-U^(t)||_Frobenius＜ε时，方法终止，此时的U，V即为方法的最优解。